使用python在句子列表中形成单词的双字组并计算双字组

我需要： 1.形成双RAM对并将其存储在列表中 2.找到id的总和，其中有频率最高的前3个二元图

我有一个句子列表：

[['22574999', 'your message communication sent']
, ['22582857', 'your message be delivered']
, ['22585166', 'message has be delivered']
, ['22585424', 'message originated communication sent']]

以下是我所做的：

for row in messages: 
    sstrm = list(row)
    bigrams=[b for l in sstrm for b in zip(l.split(" ")[:1], l.split(" ")[1:])]
    print(sstrm[0],bigrams)

这将产生：

22574999 [('your', 'message')]
22582857 [('[your', 'message')]
22585166 [('message', 'has')]
22585424 [('message', 'originated')]

我想要的是：

22574999 [('your', 'message'),('communication','sent')]
22582857 [('[your', 'message'),('be','delivered')]
22585166 [('message', 'has'),('be','delivered')]
22585424 [('message', 'originated'),('communication','sent')]

我想得到以下结果 结果:

频率最高的前3个大字：

('your', 'message') :2 
('communication','sent'):2    
('be','delivered'):2

('your', 'message'):2           Is included (22574999,22582857)     
('communication','sent'):2      Is included(22574999,22585424)
('be','delivered'):2            Is included (22582857,22585166)

具有最高频率的前3个二元图的id总和：

('your', 'message') :2 
('communication','sent'):2    
('be','delivered'):2

('your', 'message'):2           Is included (22574999,22582857)     
('communication','sent'):2      Is included(22574999,22585424)
('be','delivered'):2            Is included (22582857,22585166)

---

谢谢你的帮助

这一行中有一个错误：

bigrams=[b for l in sstrm for b in zip(l.split(" ")[:1], l.split(" ")[1:])]

在zip中的第一个参数中，您将使用

[：1]

在列表的第一个元素处停止。您希望获取除最后一个元素之外的所有元素，该元素对应于

[：-1]

所以这条线应该是这样的：

bigrams=[b for l in sstrm for b in zip(l.split(" ")[:-1], l.split(" ")[1:])]

---

我想指出的第一件事是，bigram是两个相邻元素的序列。

例如，“狐狸跳过了懒狗”的大公羊是：

这个问题可以使用一个模型来建模，其中bigram是posting，id集是posting列表

def bigrams(line):
    tokens = line.split(" ")
    return [(tokens[i], tokens[i+1]) for i in range(0, len(tokens)-1)]


if __name__ == "__main__":
    messages = [['22574999', 'your message communication sent'], ['22582857', 'your message be delivered'], ['22585166', 'message has be delivered'], ['22585424', 'message originated communication sent']]
    bigrams_set = set()

    for row in messages:
        l_bigrams = bigrams(row[1])
        for bigram in l_bigrams:
            bigrams_set.add(bigram)

    inverted_idx = dict((b,[]) for b in bigrams_set)

    for row in messages:
        l_bigrams = bigrams(row[1])
        for bigram in l_bigrams:
            inverted_idx[bigram].append(row[0])

    freq_bigrams = dict((b,len(ids)) for b,ids in inverted_idx.items())
    import operator
    top3_bigrams = sorted(freq_bigrams.iteritems(), key=operator.itemgetter(1), reverse=True)[:3]

输出

[(('communication', 'sent'), 2), (('your', 'message'), 2), (('be', 'delivered'), 2)]

虽然这段代码可以进行大量优化，但它提供了一个想法