如何在jupyter notebook中定义word_dict

要在 Jupyter Notebook 中定义一个 word_dict 可以按照以下步骤进行：

1. 首先，创建一个空的字典，例如：

word_dict = {}

2. 然后，向字典中添加键值对，例如：

word_dict['apple'] = 1
word_dict['banana'] = 2
word_dict['orange'] = 3

这里，我们以单词为键，以数字为值，将它们添加到字典中。

3. 最后，你可以通过调用字典的键来访问其值，例如：

print(word_dict['apple']) # 输出 1
print(word_dict['banana']) # 输出 2
print(word_dict['orange']) # 输出 3

这样，你就在 Jupyter Notebook 中定义了一个 word_dict，并向其中添加了一些键值对。

相关问题

如何在jupyter notebook 中运行abaqus python

要在Jupyter Notebook中运行Abaqus Python，需要按照以下步骤进行操作：

1. 打开Anaconda Prompt或终端，并激活您的Abaqus环境。
2. 在命令行中输入以下命令来启动Jupyter Notebook：

   jupyter notebook

3. 在Jupyter Notebook中创建一个新的Python 3笔记本。
4. 在笔记本中输入以下代码来导入Abaqus Python模块并运行脚本：

   from abaqus import *
   from abaqusConstants import *
   import __main__

   # 运行Abaqus Python脚本
   execfile('your_script.py', __main__.__dict__)

其中，'your_script.py'是您要运行的Abaqus Python脚本的文件名。

请注意，您需要在Abaqus环境中运行Jupyter Notebook才能使用Abaqus Python模块。如果您在没有激活Abaqus环境的情况下尝试运行Jupyter Notebook，则无法导入Abaqus Python模块。

把这段代码import math from collections import defaultdict corpus =["二价 二价 二价 四价 预约", "四价 四价 四价 九价 预约", "九价 九价 九价 九价 预约"] words = [] for sentence in corpus: words.append(sentence.strip().split()) # 进行词频统计 def Counter(words): word_count = [] for sentence in words: word_dict = defaultdict(int) for word in sentence: word_dict[word] += 1 word_count.append(word_dict) return word_count word_count = Counter(words) # 计算TF(word代表被计算的单词，word_dict是被计算单词所在句子分词统计词频后的字典) def tf(word, word_dict): return word_dict[word] / sum(word_dict.values()) # 统计含有该单词的句子数 def count_sentence(word, word_count): return sum([1 for i in word_count if i.get(word)]) # i[word] >= 1 # 计算IDF def idf(word, word_count): return math.log((len(word_count) / (count_sentence(word, word_count) + 1)),10) # 计算TF-IDF def tfidf(word, word_dict, word_count): return tf(word, word_dict) * idf(word, word_count) p = 1 for word_dict in word_count: print("part:{}".format(p)) p += 1 for word, cnt in word_dict.items(): print("word: {} ---- TF-IDF:{}".format(word, tfidf(word, word_dict, word_count))) print("word: {} ---- TF:{}".format(word, tf(word, word_dict))) print("word: {} ---- IDF:{}".format(word, idf(word, word_count))) print("word: {} ---- count_sentence:{}".format(word, count_sentence(word, word_count)))中计算idf的def idf(word, word_count)部分改成自定义输入权重[1，2，3]得到最终的改进后的TF-IDF值，请帮我改进一下代码

好的，根据您的要求，我修改了代码，将idf的计算方式修改为自定义输入权重[1,2,3]，代码如下：

import math
from collections import defaultdict

corpus =["二价 二价 二价 四价 预约", "四价 四价 四价 九价 预约", "九价 九价 九价 九价 预约"]
words = []
for sentence in corpus:
    words.append(sentence.strip().split())

# 进行词频统计
def Counter(words):
    word_count = []
    for sentence in words:
        word_dict = defaultdict(int)
        for word in sentence:
            word_dict[word] += 1
        word_count.append(word_dict)
    return word_count

word_count = Counter(words)

# 计算TF(word代表被计算的单词，word_dict是被计算单词所在句子分词统计词频后的字典)
def tf(word, word_dict):
    return word_dict[word] / sum(word_dict.values())

# 统计含有该单词的句子数
def count_sentence(word, word_count):
    return sum([1 for i in word_count if i.get(word)])  # i[word] >= 1

# 计算IDF
def idf(word, word_count, weights):
    return math.log((len(word_count) / (count_sentence(word, word_count) + 1)),10) * weights[word]

# 计算TF-IDF
def tfidf(word, word_dict, word_count, weights):
    return tf(word, word_dict) * idf(word, word_count, weights)

# 自定义权重
weights = {
    "二价": 1,
    "四价": 2,
    "九价": 3,
}

p = 1
for word_dict in word_count:
    print("part:{}".format(p))
    p += 1
    for word, cnt in word_dict.items():
        print("word: {} ---- TF-IDF:{}".format(word, tfidf(word, word_dict, word_count, weights)))
        print("word: {} ---- TF:{}".format(word, tf(word, word_dict)))
        print("word: {} ---- IDF:{}".format(word, idf(word, word_count, weights)))
        print("word: {} ---- count_sentence:{}".format(word, count_sentence(word, word_count)))

在这个代码中，我们增加了一个新的参数weights，用来存储自定义的权重，然后在idf计算时，乘以相应的权重。最后在计算tfidf时，将权重传递给idf函数即可。