Analyse de texte Python (NLTK, jieba, snownlp)

Le traitement du langage naturel (NLP) est l'étude de diverses théories et méthodes qui peuvent réaliser une communication efficace entre les humains et les ordinateurs en utilisant le langage naturel, et c'est aussi l'une des directions les plus importantes et les plus difficiles dans le domaine de l'intelligence artificielle. C'est important parce que sa théorie et sa pratique sont étroitement liées à l'exploration des mécanismes spirituels de la pensée, de la cognition et de la conscience des êtres humains ; c'est difficile parce que chaque percée majeure prend dix ans ou plus, et cela prend beaucoup de temps. efforts des générations.
Ces dernières années, la PNL a fait de grandes percées dans la segmentation des mots chinois, le marquage des parties du discours, la sémantique lexicale et l'analyse syntaxique. Un grand nombre de technologies ont été appliquées à la pratique commerciale et ont obtenu de bons avantages commerciaux et économiques dans le domaine commercial. En termes de texte, il existe principalement des moteurs de recherche intelligents et une récupération intelligente basée sur la compréhension du langage naturel, la traduction automatique intelligente, le résumé et la synthèse automatiques de textes, la classification de textes et le tri de documents, le système de marquage automatique, le filtrage d'informations et le traitement des spams, la recherche littéraire et l'ancien. Recherche en chinois, relecture de grammaire, fouille de données textuelles et prise de décision intelligente, programmation informatique basée sur le langage naturel, etc. Au niveau de la voix, on retrouve principalement l'interprétation simultanée par machine, le service client intelligent, le chat robot, le voice mining et le multimédia mining, l'extraction d'informations multimédia et la conversion de texte, etc.

Installer la bibliothèque NLTK

pip install NLTK

Installer le corpus Corpus
NLTK
La durée de validité de ce lien est permanente. Vous pouvez directement télécharger le dossier nltk_data. Je le mets directement sous le lecteur D.
Les liens suivants sont les deux fichiers txt nécessaires.
Les mots vides à utiliser dans le code suivant et un nouveau fichier txt

segmentation de texte

import nltk.tokenize as tk
doc = "Are you curious about tokenization? " \
      "Let's see how it works! " \
      "We need to analyze a couple of sentences " \
      "with punctuations to see it in action."
tokens = tk.sent_tokenize(doc)  # 句子分词
for i, token in enumerate(tokens):
    print("%2d" % (i + 1), token)

import nltk.tokenize as tk
doc = "Are you curious about tokenization? " \
      "Let's see how it works! " \
      "We need to analyze a couple of sentences " \
      "with punctuations to see it in action."
tokens = tk.word_tokenize(doc)  # 单词分词
for i, token in enumerate(tokens):
    print("%2d" % (i + 1), token)

1 Are
 2 you
 3 curious
 4 about
 5 tokenization
 6 ?
 7 Let
 8 's
 9 see
10 how
11 it
12 works
13 !
14 We
15 need
16 to
17 analyze
18 a
19 couple
20 of
21 sentences
22 with
23 punctuations
24 to
25 see
26 it
27 in
28 action
29 .

découler

import nltk.stem.porter as pt
import nltk.stem.lancaster as lc
import nltk.stem.snowball as sb

words = ['table', 'probably', 'wolves', 'playing', 'is',
         'dog', 'the', 'beaches', 'grounded', 'dreamt', 'envision']
pt_stemmer = pt.PorterStemmer()         # 波特词干提取器，偏宽松
lc_stemmer = lc.LancasterStemmer()      # 朗卡斯特词干提取器，偏严格
sb_stemmer = sb.SnowballStemmer('english')  # 思诺博词干提取器，偏中庸
for word in words:
    pt_stem = pt_stemmer.stem(word)
    lc_stem = lc_stemmer.stem(word)
    sb_stem = sb_stemmer.stem(word)
    print('%8s %8s %8s %8s' % (word, pt_stem, lc_stem, sb_stem))

   table     tabl     tabl     tabl
probably  probabl     prob  probabl
  wolves     wolv     wolv     wolv
 playing     play     play     play
      is       is       is       is
     dog      dog      dog      dog
     the      the      the      the
 beaches    beach    beach    beach
grounded   ground   ground   ground
  dreamt   dreamt   dreamt   dreamt
envision    envis    envid    envis

partie de la restauration de la parole

import nltk.stem as ns
words = ['table', 'probably', 'wolves', 'playing',
         'is', 'dog', 'the', 'beaches', 'grounded',
         'dreamt', 'envision']
# 获取词性还原器对象
lemmatizer = ns.WordNetLemmatizer()
for word in words:
    n_lemma = lemmatizer.lemmatize(word, pos='n')   # 名词 词性还原
    v_lemma = lemmatizer.lemmatize(word, pos='v')   # 动词 词性还原
    print('%8s %8s %8s' % (word, n_lemma, v_lemma))

   table    table    table
probably probably probably
  wolves     wolf   wolves
 playing  playing     play
      is       is       be
     dog      dog      dog
     the      the      the
 beaches    beach    beach
grounded grounded   ground
  dreamt   dreamt    dream
envision envision envision

modèle de sac de mots

La sémantique d'une phrase dépend en grande partie du nombre de fois qu'un mot apparaît. Le modèle de sac de mots prend chaque phrase comme échantillon, et le modèle mathématique construit avec des noms de caractéristiques et des valeurs de preuve spéciales est appelé un "sac- modèle de mots."

Nom spécial : tous les mots possibles dans la phrase
Valeur spéciale : le nombre de fois que le mot apparaît dans la phrase

import nltk.tokenize as tk
import sklearn.feature_extraction.text as ft

doc = 'The brown dog is running. ' \
      'The black dog is in the black room. ' \
      'Running in the room is forbidden.'

# 对doc按照句子进行拆分
sents = tk.sent_tokenize(doc)

cv = ft.CountVectorizer()           # 构建词袋模型
bow = cv.fit_transform(sents)       # 训练词袋模型
print(cv.get_feature_names())       # 获取所有特征名
# ['black', 'brown', 'dog', 'forbidden', 'in', 'is', 'room', 'running', 'the']
print(bow.toarray())

['black', 'brown', 'dog', 'forbidden', 'in', 'is', 'room', 'running', 'the']
[[0 1 1 0 0 1 0 1 1]
 [2 0 1 0 1 1 1 0 2]
 [0 0 0 1 1 1 1 1 1]]

statistiques de fréquence des mots

import nltk
doc = "who are you?where are you from?"
word_list = nltk.word_tokenize(doc)#英文分词
freq_list=nltk.FreqDist(doc)#统计词频
print(word_list)
for k,v in freq_list.items():
      print(k,v)

['who', 'are', 'you', '?', 'where', 'are', 'you', 'from', '?']
w 2
h 2
o 4
  5
a 2
r 4
e 4
y 2
u 2
? 2
f 1
m 1

from nltk.corpus import brown#导入brown语料库
from collections import Counter
print(brown.words())
# [u'The', u'Fulton', u'County', u'Grand', u'Jury', ...]
wordcounts = Counter(brown.words())#计数(区分大小写)
print(wordcounts['the'])
# 62713
print(wordcounts['The'])
# 7258
wordcounts_lower = Counter(i.lower() for i in brown.words())
#全部转换为小写
print(wordcounts_lower['The'])
# 0
print(wordcounts_lower['the'])
# 69971=62713+7258

['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', ...]
62713
7258
0
69971

analyse des émotions

import nltk.corpus as nc
import nltk.classify as cf
import nltk.classify.util as cu

# 存储所有的正向样本
# pdata: [({单词:true}, 'pos'),(),()...]
pdata = []
# pos文件夹中的每个文件的路径
fileids = nc.movie_reviews.fileids('pos')
# print(len(fileids))
# 整理所有正面评论单词，存入pdata列表
for fileid in fileids:
    sample = {
    
    }
    # words: 把当前文档分词处理
    words = nc.movie_reviews.words(fileid)
    for word in words:
        sample[word] = True
    pdata.append((sample, 'POSITIVE'))
# 整理所有反向样本，存入ndata列表
ndata = []
fileids = nc.movie_reviews.fileids('neg')
for fileid in fileids:
    sample = {
    
    }
    words = nc.movie_reviews.words(fileid)
    for word in words:
        sample[word] = True
    ndata.append((sample, 'NEGATIVE'))

# 拆分测试集与训练集数量（80%作为训练集）
pnumb, nnumb = int(0.8 * len(pdata)), int(0.8 * len(ndata))
train_data = pdata[:pnumb] + ndata[:nnumb]
test_data = pdata[pnumb:] + ndata[nnumb:]
# 基于朴素贝叶斯分类器训练测试数据
model = cf.NaiveBayesClassifier.train(train_data)
ac = cu.accuracy(model, test_data)
print(ac)
#
# 模拟业务场景
reviews = [
    'It is an amazing movie.',
    'This is a dull movie. I would never recommend it to anyone.',
    'The cinematography is pretty great in this movie.',
    'The direction was terrible and the story was all over the place.']
for review in reviews:
    sample = {
    
    }
    words = review.split()
    for word in words:
        sample[word] = True
    pcls = model.classify(sample)
    print(review, '->', pcls)

0.735
It is an amazing movie. -> POSITIVE
This is a dull movie. I would never recommend it to anyone. -> NEGATIVE
The cinematography is pretty great in this movie. -> POSITIVE
The direction was terrible and the story was all over the place. -> NEGATIVE

segmentation du mot chinois jieba

pip install jieba

import jieba
doc="我喜欢静谧的环境，它能让人置身思考之中，" \
    "同繁华城市的夜景一样能启发人，在不喧哗的时候看城市也别有一番韵味" \
    "，但寻常人是受不了那份寂寞的。月光下，" \
    "忙碌一天的人们享受起生活，有人掀开扉页，" \
    "有人悠扬起曼妙的乐曲，有人漫步在白天忙碌奔走的街道上；" \
    "但同时，有人没有放松紧绷的发条，他们有为了生活卖大力气的，" \
    "有为了光辉的未来埋头苦读的，还有掩着头哭泣的，" \
    "在他们的眼中，月光是不一样的颜色。"
words_list=jieba.lcut(doc)
print(words_list)

Building prefix dict from the default dictionary ...
Dumping model to file cache C:\Users\dell\AppData\Local\Temp\jieba.cache
Loading model cost 0.604 seconds.
Prefix dict has been built successfully.
['我', '喜欢', '静谧', '的', '环境', '，', '它', '能', '让', '人', '置身', '思考', '之中', '，', '同', '繁华', '城市', '的', '夜景', '一样', '能', '启发', '人', '，', '在', '不', '喧哗', '的', '时候', '看', '城市', '也', '别', '有', '一番', '韵味', '，', '但', '寻常', '人', '是', '受不了', '那', '份', '寂寞', '的', '。', '月光', '下', '，', '忙碌', '一天', '的', '人们', '享受', '起', '生活', '，', '有人', '掀开', '扉页', '，', '有人', '悠扬', '起', '曼妙', '的', '乐曲', '，', '有人', '漫步', '在', '白天', '忙碌', '奔走', '的', '街道', '上', '；', '但', '同时', '，', '有人', '没有', '放松', '紧绷', '的', '发条', '，', '他们', '有', '为了', '生活', '卖大', '力气', '的', '，', '有', '为了', '光辉', '的', '未来', '埋头', '苦读', '的', '，', '还有', '掩着', '头', '哭泣', '的', '，', '在', '他们', '的', '眼中', '，', '月光', '是', '不', '一样', '的', '颜色', '。']

import jieba
str="东汉末年分三国当时有三个国家"
print(jieba.lcut(str))
print(jieba.lcut(str,cut_all=True))
print(jieba.lcut_for_search(str))

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\dell\AppData\Local\Temp\jieba.cache
Loading model cost 0.790 seconds.
Prefix dict has been built successfully.
['东汉', '末年', '分', '三国', '当时', '有', '三个', '国家']
['东汉', '汉末', '末年', '分', '三国', '当时', '有', '三个', '国家']
['东汉', '末年', '分', '三国', '当时', '有', '三个', '国家']

import jieba
doc="这是南宫峻熙的博客"
print(jieba.lcut(doc))
jieba.add_word("南宫峻熙")
# 将指定词语加入到分词库
print(jieba.lcut(doc))

['这是', '南宫', '峻熙', '的', '博客']
['这是', '南宫峻熙', '的', '博客']

Statistiques de fréquence des mots pour le livre électronique "Mon nouvel empire de la dynastie Ming"

import jieba
from collections import Counter
def stopwordslist(filepath):# 创建停用词list
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
    return stopwords
def seg_sentence(sentence):# 对句子进行分词
    sentence_seged = jieba.cut(sentence.strip())
    stopwords = stopwordslist('stoplist.txt')  # 这里加载停用词的路径
    outstr = []
    for word in sentence_seged:
        if word not in stopwords:
            if word != '\t':
                outstr.append(word)
    return outstr
def word_frequency(line_seg):# 对分词进行词频展示
    c = Counter()
    for x in line_seg:
        if len(x) > 1 and x != '\r\n':
            c[x] += 1
    for (k, v) in c.most_common():
        print('%s%s  %d' % (' ' * (5 - len(k)), k, v))
inputs = open('我的大明新帝国.txt', 'r', encoding='utf-8')
lines = ""
for line in inputs:
    lines += line.replace("\n", "")
inputs.close()
line_seg = seg_sentence(lines)  # 这里的返回值是列表
print(word_frequency(line_seg))  # 取词频

Cela peut prendre quelques minutes à courir, soyez patient

bibliothèque snownlp

pip install snownlp

from snownlp import SnowNLP
doc="我喜欢静谧的环境，它能让人置身思考之中，" \
    "同繁华城市的夜景一样能启发人，在不喧哗的时候看城市也别有一番韵味" \
    "，但寻常人是受不了那份寂寞的。月光下，" \
    "忙碌一天的人们享受起生活，有人掀开扉页，" \
    "有人悠扬起曼妙的乐曲，有人漫步在白天忙碌奔走的街道上；" \
    "但同时，有人没有放松紧绷的发条，他们有为了生活卖大力气的，" \
    "有为了光辉的未来埋头苦读的，还有掩着头哭泣的，" \
    "在他们的眼中，月光是不一样的颜色。"
s=SnowNLP(doc)
print('词语:',s.words)
print('分句:',s.sentences)
print('情感偏向:',s.sentiments)
print('拼音:',s.pinyin)
print('关键字:',s.keywords(5))
print('摘要:',s.summary(5))
print('词频:',s.tf)
print('逆向文件频率:',s.idf)

词语: ['我', '喜欢', '静谧', '的', '环境', '，', '它', '能', '让', '人', '置身', '思考', '之中', '，', '同', '繁华', '城市', '的', '夜景', '一样', '能', '启发', '人', '，', '在', '不', '喧', '哗', '的', '时候', '看', '城市', '也', '别', '有', '一番', '韵味', '，', '但', '寻常', '人', '是', '受', '不', '了', '那', '份', '寂寞', '的', '。', '月光', '下', '，', '忙碌', '一', '天', '的', '人们', '享受', '起', '生活', '，', '有人', '掀开', '扉页', '，', '有人', '悠扬', '起曼', '妙', '的', '乐曲', '，', '有人', '漫步', '在', '白天', '忙碌', '奔走', '的', '街道', '上', '；', '但', '同时', '，', '有人', '没', '有', '放松', '紧', '绷', '的', '发', '条', '，', '他们', '有', '为了', '生活', '卖', '大', '力气', '的', '，', '有为', '了', '光辉', '的', '未来', '埋头苦', '读', '的', '，', '还有', '掩', '着头', '哭泣', '的', '，', '在', '他们', '的', '眼中', '，', '月光', '是', '不', '一样', '的', '颜色', '。']
分句: ['我喜欢静谧的环境', '它能让人置身思考之中', '同繁华城市的夜景一样能启发人', '在不喧哗的时候看城市也别有一番韵味', '但寻常人是受不了那份寂寞的', '月光下', '忙碌一天的人们享受起生活', '有人掀开扉页', '有人悠扬起曼妙的乐曲', '有人漫步在白天忙碌奔走的街道上', '但同时', '有人没有放松紧绷的发条', '他们有为了生活卖大力气的', '有为了光辉的未来埋头苦读的', '还有掩着头哭泣的', '在他们的眼中', '月光是不一样的颜色']
情感偏向: 0.9999999999999998
拼音: ['wo', 'xi', 'huan', 'jing', 'mi', 'de', 'huan', 'jing', '，', 'ta', 'neng', 'rang', 'ren', 'zhi', 'shen', 'si', 'kao', 'zhi', 'zhong', '，', 'tong', 'fan', 'hua', 'cheng', 'shi', 'de', 'ye', 'jing', 'yi', 'yang', 'neng', 'qi', 'fa', 'ren', '，', 'zai', 'bu', 'xuan', 'hua', 'de', 'shi', 'hou', 'kan', 'cheng', 'shi', 'ye', 'bie', 'you', 'yi', 'fan', 'yun', 'wei', '，', 'dan', 'xun', 'chang', 'ren', 'shi', 'shou', 'bu', 'liao', 'na', 'fen', 'ji', 'mo', 'de', '。', 'yue', 'guang', 'xia', '，', 'mang', 'lu', 'yi', 'tian', 'de', 'ren', 'men', 'xiang', 'shou', 'qi', 'sheng', 'huo', '，', 'you', 'ren', 'xian', 'kai', 'fei', 'ye', '，', 'you', 'ren', 'you', 'yang', 'qi', 'man', 'miao', 'de', 'yue', 'qu', '，', 'you', 'ren', 'man', 'bu', 'zai', 'bai', 'tian', 'mang', 'lu', 'ben', 'zou', 'de', 'jie', 'dao', 'shang', '；', 'dan', 'tong', 'shi', '，', 'you', 'ren', 'mei', 'you', 'fang', 'song', 'jin', 'beng', 'de', 'fa', 'tiao', '，', 'ta', 'men', 'you', 'wei', 'liao', 'sheng', 'huo', 'mai', 'da', 'li', 'qi', 'de', '，', 'you', 'wei', 'liao', 'guang', 'hui', 'de', 'wei', 'lai', 'mai', 'tou', 'ku', 'du', 'de', '，', 'hai', 'you', 'yan', 'zhe', 'tou', 'ku', 'qi', 'de', '，', 'zai', 'ta', 'men', 'de', 'yan', 'zhong', '，', 'yue', 'guang', 'shi', 'bu', 'yi', 'yang', 'de', 'yan', 'shai', '。']
关键字: ['有人', '人', '不', '忙碌', '城市']
摘要: ['月光是不一样的颜色', '有人漫步在白天忙碌奔走的街道上', '但寻常人是受不了那份寂寞的', '忙碌一天的人们享受起生活', '有人掀开扉页']
词频: [{
    
    '我': 1}, {
    
    '喜': 1}, {
    
    '欢': 1}, {
    
    '静': 1}, {
    
    '谧': 1}, {
    
    '的': 1}, {
    
    '环': 1}, {
    
    '境': 1}, {
    
    '，': 1}, {
    
    '它': 1}, {
    
    '能': 1}, {
    
    '让': 1}, {
    
    '人': 1}, {
    
    '置': 1}, {
    
    '身': 1}, {
    
    '思': 1}, {
    
    '考': 1}, {
    
    '之': 1}, {
    
    '中': 1}, {
    
    '，': 1}, {
    
    '同': 1}, {
    
    '繁': 1}, {
    
    '华': 1}, {
    
    '城': 1}, {
    
    '市': 1}, {
    
    '的': 1}, {
    
    '夜': 1}, {
    
    '景': 1}, {
    
    '一': 1}, {
    
    '样': 1}, {
    
    '能': 1}, {
    
    '启': 1}, {
    
    '发': 1}, {
    
    '人': 1}, {
    
    '，': 1}, {
    
    '在': 1}, {
    
    '不': 1}, {
    
    '喧': 1}, {
    
    '哗': 1}, {
    
    '的': 1}, {
    
    '时': 1}, {
    
    '候': 1}, {
    
    '看': 1}, {
    
    '城': 1}, {
    
    '市': 1}, {
    
    '也': 1}, {
    
    '别': 1}, {
    
    '有': 1}, {
    
    '一': 1}, {
    
    '番': 1}, {
    
    '韵': 1}, {
    
    '味': 1}, {
    
    '，': 1}, {
    
    '但': 1}, {
    
    '寻': 1}, {
    
    '常': 1}, {
    
    '人': 1}, {
    
    '是': 1}, {
    
    '受': 1}, {
    
    '不': 1}, {
    
    '了': 1}, {
    
    '那': 1}, {
    
    '份': 1}, {
    
    '寂': 1}, {
    
    '寞': 1}, {
    
    '的': 1}, {
    
    '。': 1}, {
    
    '月': 1}, {
    
    '光': 1}, {
    
    '下': 1}, {
    
    '，': 1}, {
    
    '忙': 1}, {
    
    '碌': 1}, {
    
    '一': 1}, {
    
    '天': 1}, {
    
    '的': 1}, {
    
    '人': 1}, {
    
    '们': 1}, {
    
    '享': 1}, {
    
    '受': 1}, {
    
    '起': 1}, {
    
    '生': 1}, {
    
    '活': 1}, {
    
    '，': 1}, {
    
    '有': 1}, {
    
    '人': 1}, {
    
    '掀': 1}, {
    
    '开': 1}, {
    
    '扉': 1}, {
    
    '页': 1}, {
    
    '，': 1}, {
    
    '有': 1}, {
    
    '人': 1}, {
    
    '悠': 1}, {
    
    '扬': 1}, {
    
    '起': 1}, {
    
    '曼': 1}, {
    
    '妙': 1}, {
    
    '的': 1}, {
    
    '乐': 1}, {
    
    '曲': 1}, {
    
    '，': 1}, {
    
    '有': 1}, {
    
    '人': 1}, {
    
    '漫': 1}, {
    
    '步': 1}, {
    
    '在': 1}, {
    
    '白': 1}, {
    
    '天': 1}, {
    
    '忙': 1}, {
    
    '碌': 1}, {
    
    '奔': 1}, {
    
    '走': 1}, {
    
    '的': 1}, {
    
    '街': 1}, {
    
    '道': 1}, {
    
    '上': 1}, {
    
    '；': 1}, {
    
    '但': 1}, {
    
    '同': 1}, {
    
    '时': 1}, {
    
    '，': 1}, {
    
    '有': 1}, {
    
    '人': 1}, {
    
    '没': 1}, {
    
    '有': 1}, {
    
    '放': 1}, {
    
    '松': 1}, {
    
    '紧': 1}, {
    
    '绷': 1}, {
    
    '的': 1}, {
    
    '发': 1}, {
    
    '条': 1}, {
    
    '，': 1}, {
    
    '他': 1}, {
    
    '们': 1}, {
    
    '有': 1}, {
    
    '为': 1}, {
    
    '了': 1}, {
    
    '生': 1}, {
    
    '活': 1}, {
    
    '卖': 1}, {
    
    '大': 1}, {
    
    '力': 1}, {
    
    '气': 1}, {
    
    '的': 1}, {
    
    '，': 1}, {
    
    '有': 1}, {
    
    '为': 1}, {
    
    '了': 1}, {
    
    '光': 1}, {
    
    '辉': 1}, {
    
    '的': 1}, {
    
    '未': 1}, {
    
    '来': 1}, {
    
    '埋': 1}, {
    
    '头': 1}, {
    
    '苦': 1}, {
    
    '读': 1}, {
    
    '的': 1}, {
    
    '，': 1}, {
    
    '还': 1}, {
    
    '有': 1}, {
    
    '掩': 1}, {
    
    '着': 1}, {
    
    '头': 1}, {
    
    '哭': 1}, {
    
    '泣': 1}, {
    
    '的': 1}, {
    
    '，': 1}, {
    
    '在': 1}, {
    
    '他': 1}, {
    
    '们': 1}, {
    
    '的': 1}, {
    
    '眼': 1}, {
    
    '中': 1}, {
    
    '，': 1}, {
    
    '月': 1}, {
    
    '光': 1}, {
    
    '是': 1}, {
    
    '不': 1}, {
    
    '一': 1}, {
    
    '样': 1}, {
    
    '的': 1}, {
    
    '颜': 1}, {
    
    '色': 1}, {
    
    '。': 1}]
逆向文件频率: {
    
    '我': 4.822966130975706, '喜': 4.822966130975706, '欢': 4.822966130975706, '静': 4.822966130975706, '谧': 4.822966130975706, '的': 2.482028949960385, '环': 4.822966130975706, '境': 4.822966130975706, '，': 2.482028949960385, '它': 4.822966130975706, '能': 4.3067641501733345, '让': 4.822966130975706, '人': 3.0501090444320624, '置': 4.822966130975706, '身': 4.822966130975706, '思': 4.822966130975706, '考': 4.822966130975706, '之': 4.822966130975706, '中': 4.3067641501733345, '同': 4.3067641501733345, '繁': 4.822966130975706, '华': 4.822966130975706, '城': 4.3067641501733345, '市': 4.3067641501733345, '夜': 4.822966130975706, '景': 4.822966130975706, '一': 3.708137270718351, '样': 4.3067641501733345, '启': 4.822966130975706, '发': 4.3067641501733345, '在': 3.9648864949852136, '不': 3.9648864949852136, '喧': 4.822966130975706, '哗': 4.822966130975706, '时': 4.3067641501733345, '候': 4.822966130975706, '看': 4.822966130975706, '也': 4.822966130975706, '别': 4.822966130975706, '有': 2.933296802613198, '番': 4.822966130975706, '韵': 4.822966130975706, '味': 4.822966130975706, '但': 4.3067641501733345, '寻': 4.822966130975706, '常': 4.822966130975706, '是': 4.3067641501733345, '受': 4.3067641501733345, '了': 3.9648864949852136, '那': 4.822966130975706, '份': 4.822966130975706, '寂': 4.822966130975706, '寞': 4.822966130975706, '。': 4.3067641501733345, '月': 4.3067641501733345, '光': 3.9648864949852136, '下': 4.822966130975706, '忙': 4.3067641501733345, '碌': 4.3067641501733345, '天': 4.3067641501733345, '们': 3.9648864949852136, '享': 4.822966130975706, '起': 4.3067641501733345, '生': 4.3067641501733345, '活': 4.3067641501733345, '掀': 4.822966130975706, '开': 4.822966130975706, '扉': 4.822966130975706, '页': 4.822966130975706, '悠': 4.822966130975706, '扬': 4.822966130975706, '曼': 4.822966130975706, '妙': 4.822966130975706, '乐': 4.822966130975706, '曲': 4.822966130975706, '漫': 4.822966130975706, '步': 4.822966130975706, '白': 4.822966130975706, '奔': 4.822966130975706, '走': 4.822966130975706, '街': 4.822966130975706, '道': 4.822966130975706, '上': 4.822966130975706, '；': 4.822966130975706, '没': 4.822966130975706, '放': 4.822966130975706, '松': 4.822966130975706, '紧': 4.822966130975706, '绷': 4.822966130975706, '条': 4.822966130975706, '他': 4.3067641501733345, '为': 4.3067641501733345, '卖': 4.822966130975706, '大': 4.822966130975706, '力': 4.822966130975706, '气': 4.822966130975706, '辉': 4.822966130975706, '未': 4.822966130975706, '来': 4.822966130975706, '埋': 4.822966130975706, '头': 4.3067641501733345, '苦': 4.822966130975706, '读': 4.822966130975706, '还': 4.822966130975706, '掩': 4.822966130975706, '着': 4.822966130975706, '哭': 4.822966130975706, '泣': 4.822966130975706, '眼': 4.822966130975706, '颜': 4.822966130975706, '色': 4.822966130975706}