現(xiàn)在我們就來(lái)講講關(guān)鍵字吧，準(zhǔn)備好開(kāi)始記筆記了吧，俗話(huà)說(shuō)得好，好記性不如爛筆頭，記好了喔，經(jīng)常聽(tīng)大家提起關(guān)于Python中關(guān)鍵詞有多少個(gè)？實(shí)際上Python中關(guān)鍵詞目前有31個(gè)，想要具體查看以及觀察個(gè)數(shù)的方式非常簡(jiǎn)單，下面就為大家詳細(xì)介紹。

1、keyword模塊進(jìn)行輸出查看

Help on module keyword:NAME keyword - Keywords (from 'graminit.c')FILE /usr/lib64/python2.6/keyword.pyDESCRIPTION This file is automatically generated; please don’t muck it up! To update the symbols in this file, ’cd’ to the top directory of the python source tree after building the interpreter and run: python Lib/keyword.pyFUNCTIONS iskeyword = __contains__(...) x.__contains__(y) y in x.DATA __all__ = [’iskeyword’, ’kwlist’] kwlist = [’and’, ’as’, ’assert’, ’break’, ’class’, ’continue’, ’def’, ...

2、得到python關(guān)鍵字列表

>>> keyword.kwlist[’and’, ’as’, ’assert’, ’break’, ’class’, ’continue’, ’def’, ’del’, ’elif’, ’else’, ’except’, ’exec’, ’finally’, ’for’, ’from’, ’global’, ’if’, ’import’, ’in’, ’is’, ’lambda’, ’not’, ’or’, ’pass’, ’print’, ’raise’, ’return’, ’try’, ’while’, ’with’, ’yield’]

3、判斷字符串是否含關(guān)鍵字

>>> keyword.iskeyword(’and’)True>>> >>> keyword.iskeyword(’has’)False

Python關(guān)鍵字知識(shí)點(diǎn)擴(kuò)展：

TF-IDF

TF-IDF（Term Frequencey-Inverse Document Frequency）指詞頻-逆文檔頻率，它屬于數(shù)值統(tǒng)計(jì)的范疇。使用TF-IDF，我們能夠?qū)W習(xí)一個(gè)詞對(duì)于數(shù)據(jù)集中的一個(gè)文檔的重要性。

TF-IDF的概念

TF-IDF有兩部分，詞頻和逆文檔頻率。首先介紹詞頻，這個(gè)詞很直觀，詞頻表示每個(gè)詞在文檔或數(shù)據(jù)集中出現(xiàn)的頻率。等式如下：

TF(t)=詞t在一篇文檔中出現(xiàn)的次數(shù)/這篇文檔的總詞數(shù)

第二部分——逆文檔頻率實(shí)際上告訴了我們一個(gè)單詞對(duì)文檔的重要性。這是因?yàn)楫?dāng)計(jì)算TF的時(shí)候，我們對(duì)每個(gè)詞賦予了同等的重要性，它出現(xiàn)得越多，它的TF就越高，如果它出現(xiàn)了100次，也許相比其他出現(xiàn)更少的詞，它并不攜帶那么多信息，因此我們需要賦予它們權(quán)重，決定每個(gè)詞的重要性。使用下面的等式得到IDF：

IDF(t)=(log10文檔的篇數(shù)/包含詞t文檔的篇數(shù))

那么，計(jì)算TF-IDF的方法如下：

TF * IDF=(詞t在一篇文檔中出現(xiàn)的次數(shù)/這篇文檔的總詞數(shù))* log10(文檔的篇數(shù)/包含詞t文檔的篇數(shù))

到此這篇關(guān)于如何查看python關(guān)鍵字的文章就介紹到這了,更多相關(guān)python關(guān)鍵字查看實(shí)例內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！