Java 类名:com.alibaba.alink.operator.stream.nlp.DocWordCountStreamOp
Python 类名:DocWordCountStreamOp

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(SegmentStreamOp)组件的输出结果列,同时也可以在之前接入停用词过滤(StopWordsRemoverStreamOp)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

  1. from pyalink.alink import *
  2. import pandas as pd
  3. useLocalEnv(1)
  4. df = pd.DataFrame([
  5. [0, u'二手旧书:医学电磁成像'],
  6. [1, u'二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969'],
  7. [2, u'二手正版图解象棋入门/谢恩思主编/华龄出版社'],
  8. [3, u'二手中国糖尿病文献索引'],
  9. [4, u'二手郁达夫文集( 国内版 )全十二册馆藏书']
  10. ])
  11. inOp1 = BatchOperator.fromDataframe(df, schemaStr='id int, text string')
  12. inOp2 = StreamOperator.fromDataframe(df, schemaStr='id int, text string')
  13. segment = SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1)
  14. remover = StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment)
  15. wordCount = DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover)
  16. wordCount.print()
  17. segment2 = SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp2)
  18. remover2 = StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover").linkFrom(segment2)
  19. wordCount2 = DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(remover2)
  20. wordCount2.print()
  21. StreamOperator.execute()

Java 代码

  1. import org.apache.flink.types.Row;
  2. import com.alibaba.alink.operator.batch.BatchOperator;
  3. import com.alibaba.alink.operator.batch.nlp.DocWordCountBatchOp;
  4. import com.alibaba.alink.operator.batch.nlp.SegmentBatchOp;
  5. import com.alibaba.alink.operator.batch.nlp.StopWordsRemoverBatchOp;
  6. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  7. import com.alibaba.alink.operator.stream.StreamOperator;
  8. import com.alibaba.alink.operator.stream.nlp.DocWordCountStreamOp;
  9. import com.alibaba.alink.operator.stream.nlp.SegmentStreamOp;
  10. import com.alibaba.alink.operator.stream.nlp.StopWordsRemoverStreamOp;
  11. import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
  12. import org.junit.Test;
  13. import java.util.Arrays;
  14. import java.util.List;
  15. public class DocWordCountStreamOpTest {
  16. @Test
  17. public void testDocWordCountStreamOp() throws Exception {
  18. List <Row> df = Arrays.asList(
  19. Row.of(0, "二手旧书:医学电磁成像"),
  20. Row.of(1, "二手美国文学选读( 下册 )李宜燮南开大学出版社 9787310003969"),
  21. Row.of(2, "二手正版图解象棋入门/谢恩思主编/华龄出版社"),
  22. Row.of(3, "二手中国糖尿病文献索引"),
  23. Row.of(4, "二手郁达夫文集( 国内版 )全十二册馆藏书")
  24. );
  25. BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
  26. StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "id int, text string");
  27. BatchOperator <?> segment =
  28. new SegmentBatchOp().setSelectedCol("text").setOutputCol("segment").linkFrom(inOp1);
  29. BatchOperator <?> remover = new StopWordsRemoverBatchOp().setSelectedCol("segment").setOutputCol("remover")
  30. .linkFrom(segment);
  31. BatchOperator <?> wordCount = new DocWordCountBatchOp().setContentCol("remover").setDocIdCol("id").linkFrom(
  32. remover);
  33. wordCount.print();
  34. StreamOperator <?> segment2 = new SegmentStreamOp().setSelectedCol("text").setOutputCol("segment").linkFrom(
  35. inOp2);
  36. StreamOperator <?> remover2 = new StopWordsRemoverStreamOp().setSelectedCol("segment").setOutputCol("remover")
  37. .linkFrom(segment2);
  38. StreamOperator <?> wordCount2 = new DocWordCountStreamOp().setContentCol("remover").setDocIdCol("id").linkFrom(
  39. remover2);
  40. wordCount2.print();
  41. StreamOperator.execute();
  42. }
  43. }

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 | | —- | —- | —- |

| 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 |

| 0 | 医学 | 1 |

| 0 | 电磁 | 1 |

| 0 | 成像 | 1 |

| 0 | 旧书 | 1 |

| 0 | 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 |

| 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 |