我有几万个英文字符串，每个字符串中有大约不超过100个单词。
我想知道 出现在一个字符串中频率前100的 两单词组合（这两个单词可能分散出现在字符串中）、三单词组合、四单词组合。

请教：
1. 有没有什么现成的lib可以实现这样的计算？
2. 计算出任意两单词组合后，用什么lib可以画出 cluster 图（图上分散着多个单词，两个单词出现频率越高，连线越粗）

啥叫两单词组合

思路估计你也不需要了，编辑掉吧

例如：
字符串1有: A B C D E 这个5个单词
字符串2: A F D G H
字符串3: A X Y Z D

那么单词组合（A，D）出现了3次，频率最高

我当然会自己写，但总感觉应该有类似的库，这个需求很像 聚类或分类 分析。

回复5#quantek


原来是大牛啊，失敬，再见

没听过有啥这种库，分词库很多，自己写个脚本导入数据库，筛选吧

A买了一些东西
B买了一些东西
C买了一些东西

找出ABC买东西的共性，如果共性强，A买一个新东西时，可以推荐给B和C。

我总感觉应该有类似现成算法。

回复1#quantek

英文比较麻烦，时态，单三，否定，倒装，插入等都会影响组合和判断。不像中文，光棍的一个字，走哪儿都不变。所以只能用模糊判断了。准确性就差好多。应该ai相关的库会有吧。

就是词共现呗，r有现成的

感觉算法不难，就是有点烦锁

jieba+snow，好像有词频统计的

现在就是分词后再计算【组合】的词频呗

下面链接的文章和你描述的情况查不多，可以参考，运行起来满容易的，我自己在jupyter笔记上也试着运行过，不过样本就几百个，没你的多
https://towardsdatascience.com/m ... python-b276b4051a49

这个库是spacy,看上去比nltk安装容易，文档也蛮好，就是我是白丁，到现在也没入门
又想了想，你的问题可能没这么简单，所谓双单词组合，多单词组合，可能碰到的形式多的话还是直接看spacy的文档比较好，和上面文章的情况还是有差别的

谢谢提醒。字符串中名词为主，总量也还好，如果复数情况不多，先手动替换一下

简单的单词匹配有NLP的相关类库，很多功能比你现在想象的还要多，可以试着拓展一下新思维。常见的NLTK就能处理。

如果是以做量化为目的，

画图的部分，Keras给的例程就是画聚类图，

非常感谢，我去学习一下

非常感谢，一个关键词，就可以给我打开一扇窗