Java 类名:com.alibaba.alink.operator.batch.nlp.WordCountBatchOp
Python 类名:WordCountBatchOp
功能介绍
使用方式
文本内容列(SelectedCol)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。
需要注意的是,该组件统计的是文本内容列总体的词频,而文本词频统计组件(DocWordCountBatchOp)是按行统计词频。
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 |
---|---|---|---|---|---|---|
selectedCol | 选中的列名 | 计算列对应的列名 | String | ✓ | 所选列类型为 [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([
["doc0", "中国 的 文化"],
["doc1", "只要 功夫 深"],
["doc2", "北京 的 拆迁"],
["doc3", "人名 的 名义"]
])
source = BatchOperator.fromDataframe(df, "id string, content string")
wordCountBatchOp = WordCountBatchOp()\
.setSelectedCol("content")\
.setWordDelimiter(" ")\
.linkFrom(source)
wordCountBatchOp.print()
Java 代码
import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.nlp.WordCountBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class WordCountBatchOpTest {
@Test
public void testWordCountBatchOp() throws Exception {
List <Row> df = Arrays.asList(
Row.of("doc0", "中国 的 文化"),
Row.of("doc1", "只要 功夫 深"),
Row.of("doc2", "北京 的 拆迁"),
Row.of("doc3", "人名 的 名义")
);
BatchOperator <?> source = new MemSourceBatchOp(df, "id string, content string");
BatchOperator <?> wordCountBatchOp = new WordCountBatchOp()
.setSelectedCol("content")
.setWordDelimiter(" ")
.linkFrom(source);
wordCountBatchOp.print();
}
}
运行结果
word | cnt |
---|---|
深 | 1 |
拆迁 | 1 |
北京 | 1 |
文化 | 1 |
中国 | 1 |
的 | 3 |
人名 | 1 |
只要 | 1 |
名义 | 1 |
功夫 | 1 |