如何从 nltk 中的 freqDist 获取元组列表

Question

我有一个包含两列 id 和 text

的数据框

我想添加一个新列，其中包含每行文本的字数。

我创建了一个 userdefinedFunction，其中我从 nltk

实现了 word_tokenizer 和 freqDict

word = f.udf(lambda token: word_count)

def word_count(token):
    freq_dict = nltk.probability.FreqDist(token)
    return [(word, freq) for word, freq in freq_dict.most_common()]

df = df.withColumn('wordcount',word(nltk.word_tokenize(df['text']))

在 tokenizer 之后我调用 word_count 并希望获得包含单词及其频率的元组列表。而是在列

中得到这个

[[Ljava.lang.Object;@9b4c4d5, [Ljava.lang.Object;@6a5d7d39, ...

Answer 1

您需要为 UDF 指定 return 类型。像这样定义模式

schema = ArrayType(StructType([StructField("word",StringType(), True), StructField("freq",LongType(), True)]))

并将udf更改为

f.udf(word_count, schema)

如何从 nltk 中的 freqDist 获取元组列表

How to get a list of tuple from freqDist in nltk

python

dataframe

pyspark

nltk

word-count