Java 类名:com.alibaba.alink.operator.batch.nlp.DocWordCountBatchOp
Python 类名:DocWordCountBatchOp
功能介绍
对文本列按行统计词语的出现的频数。
使用方式
文本内容列(ContentCol)中的内容用于统计词频,需要是用分隔符分隔的词语。
其中,分隔符可以通过参数 wordDelimiter 来设置,默认是空格(” “),可以为正则表达式。
文本内容列可以使用分词(SegmentBatchOp)组件的输出结果列,同时也可以在之前接入停用词过滤(StopWordsRemoverBatchOp)组件去掉常见的高频词。
文本 ID 列(DocIdCol)用于标识每一行数据,从而可以将输出结果中的词语、频数数据与输入行对应起来。
参数说明
| 名称 | 中文名称 | 描述 | 类型 | 是否必须? | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- |
| contentCol | 文本列 | 文本列名 | String | ✓ | 所选列类型为 [STRING] | |
| docIdCol | 文档ID列 | 文档ID列名 | String | ✓ | | |
| wordDelimiter | 单词分隔符 | 单词之间的分隔符 | String | | | “ “ |
代码示例
Python 代码
from pyalink.alink import *
import pandas as pd
useLocalEnv(1)
df = pd.DataFrame([
[0, u'二手旧书:医学电磁成像'],
[1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
[2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
[3, u'二手中国糖尿病文献索引'],
[4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
])
inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')
segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1)
remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment)
wordCount = DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover)
wordCount.print()
segment2 = SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp2)
remover2 = StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment2)
wordCount2 = DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover2)
wordCount2.print()
StreamOperator.execute()
Java 代码
import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.DocWordCountBatchOp;
import com.alibaba.alink.operator.batch.nlp.SegmentBatchOp;
import com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.nlp.DocWordCountStreamOp;
import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
import com.alibaba.alink.operator.stream.nlp.StopWordsRemoverStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class DocWordCountBatchOpTest {
@Test
public void testDocWordCountBatchOp() throws Exception {
List <Row> df = Arrays.asList(
Row.of(0, "二手旧书:医学电磁成像"),
Row.of(1, "二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969"),
Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
Row.of(3, "二手中国糖尿病文献索引"),
Row.of(4, "二手郁达夫文集( 国内版 )全十二册馆藏书")
);
BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
BatchOperator <?> segment =
new SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1);
BatchOperator <?> remover = new StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
.linkFrom(segment);
BatchOperator <?> wordCount = new DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(
remover);
wordCount.print();
StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(
inOp2);
StreamOperator <?> remover2 = new StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover")
.linkFrom(segment2);
StreamOperator <?> wordCount2 = new DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(
remover2);
wordCount2.print();
StreamOperator.execute();
}
}
运行结果
批运行结果
| id | word | cnt | | —- | —- | —- |
| 0 | 医学 | 1 |
| 0 | 电磁 | 1 |
| 0 | 成像 | 1 |
| 0 | 旧书 | 1 |
| 0 | 二手 | 1 |
| 1 | 美国 | 1 |
| 1 | 出版社 | 1 |
| 1 | 选读 | 1 |
| 1 | 文学 | 1 |
| 1 | 二手 | 1 |
| 1 | 下册 | 1 |
| 1 | 南开大学 | 1 |
| 1 | 9787310003969 | 1 |
| 1 | 李宜燮 | 1 |
| 2 | 出版社 | 1 |
| 2 | 主编 | 1 |
| 2 | 谢恩 | 1 |
| 2 | 二手 | 1 |
| 2 | 正版 | 1 |
| 2 | 入门 | 1 |
| 2 | 象棋 | 1 |
| 2 | 华龄 | 1 |
| 2 | 思 | 1 |
| 2 | 图解 | 1 |
| 3 | 中国 | 1 |
| 3 | 文献 | 1 |
| 3 | 索引 | 1 |
| 3 | 糖尿病 | 1 |
| 3 | 二手 | 1 |
| 4 | 国内 | 1 |
| 4 | 十二册 | 1 |
| 4 | 文集 | 1 |
| 4 | 书 | 1 |
| 4 | 二手 | 1 |
| 4 | 全 | 1 |
| 4 | 版 | 1 |
| 4 | 馆藏 | 1 |
| 4 | 郁达夫 | 1 |
流运行结果
| id | word | cnt | | —- | —- | —- |
| 4 | 国内 | 1 |
| 4 | 十二册 | 1 |
| 4 | 文集 | 1 |
| 4 | 书 | 1 |
| 4 | 二手 | 1 |
| 4 | 全 | 1 |
| 4 | 版 | 1 |
| 4 | 馆藏 | 1 |
| 4 | 郁达夫 | 1 |
| 3 | 中国 | 1 |
| 3 | 文献 | 1 |
| 3 | 索引 | 1 |
| 3 | 糖尿病 | 1 |
| 3 | 二手 | 1 |
| 1 | 美国 | 1 |
| 1 | 出版社 | 1 |
| 1 | 选读 | 1 |
| 1 | 文学 | 1 |
| 1 | 二手 | 1 |
| 1 | 下册 | 1 |
| 1 | 南开大学 | 1 |
| 1 | 9787310003969 | 1 |
| 1 | 李宜燮 | 1 |
| 0 | 医学 | 1 |
| 0 | 电磁 | 1 |
| 0 | 成像 | 1 |
| 0 | 旧书 | 1 |
| 0 | 二手 | 1 |
| 2 | 出版社 | 1 |
| 2 | 主编 | 1 |
| 2 | 谢恩 | 1 |
| 2 | 二手 | 1 |
| 2 | 正版 | 1 |
| 2 | 入门 | 1 |
| 2 | 象棋 | 1 |
| 2 | 华龄 | 1 |
| 2 | 思 | 1 |
| 2 | 图解 | 1 |