一 條件詞頻統計

由於要按條件統計詞頻，自己準備資料較為麻煩，本次資料集呼叫NLTK自帶的資料集，

from nltk.corpus import brown
cdf = nltk.ConditionalFreqDist((genre,word) for genre in brown.categories() 
                            for word in brown.words(categories=genre))
modals = ['can','could', 'may','might']
cdf.tabulate(samples = modals)
 

第一步將資料集變為（category，word）的形式，再統計頻率，結果如下。

當然可以在統計詞頻的過程中，使用一些判斷條件，來讓結果更符合你的需求。

二 繪製分佈圖和分佈表

使用plot()和tabulate()函式即可

cdf.tabulate(samples = modals,conditions=['news','lore'])
cdf.plot(samples = modals,conditions=['news','lore'])

結果如下

三 利用連詞生成隨機文字

為了便於大家理解，本次資料集使用的是2000道數學題組合的文字，詳情見

mathbigrams = nltk.bigrams(text) #首先將一段話[w1,w2,w3...]，拆成[[w1,w2],[w2,w3]..]
cdf = nltk.ConditionalFreqDist(mathbigrams) # 條件詞頻統計


def generate_model(cfdist, word, num=20):  # 程式設計生成隨機文字的方法
    for i in range(num):
        print(word,end='')  # 為了保證不換行
        word = cfdist[word].max()  # 每個詞接下來的詞就是根據樣本決定的

generate_model(cdf,'數學')
generate_model(cdf,'語文')
generate_model(cdf,'英語')
 

分別用數學，語文，英語來嘗試一下，可以發現由於生成規則是直接匹配接下來max詞頻的詞，會出現迴圈的結果。優化方法就是根據詞頻來概率的選擇接下來的詞，生成方法可以參考聚類演算法（1）中K-means++ 隨機選初始點的思路。

四 自己文字如何呼叫NLTK第一章的函式

這裡簡單提一種解決思路，將文字匯入到python中然後呼叫nltk.Text()函式即可。

mathe = nltk.Text(text)
mathe.concordance('數學')  # 數學的上下文
mathe.similar('數學')  # 和數學相似的詞
mathe.common_contexts(['數學','語文'])  # 語文數學共有的上下文

然後呼叫了幾個函式嘗試了一下，可以發現結果很不錯。