现在我们就来讲讲关键字吧，准备好开始记笔记了吧，俗话说得好，好记性不如烂笔头，记好了喔，经常听大家提起关于Python中关键词有多少个？实际上Python中关键词目前有31个，想要具体查看以及观察个数的方式非常简单，下面就为大家详细介绍。
1、keyword模块进行输出查看
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
Help on module keyword:
NAME
keyword - Keywords (from "graminit.c")
FILE
/usr/lib64/python2.6/keyword.py
DESCRIPTION
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.py
FUNCTIONS
iskeyword = __contains__(...)
x.__contains__(y) y in x.
DATA
__all__ = ['iskeyword', 'kwlist']
kwlist = ['and', 'as', 'assert', 'break', 'class', 'continue', 'def', ...
|
2、得到python关键字列表
|
1
2
3
|
>>> 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、判断字符串是否含关键字
|
1
2
3
4
5
|
>>> keyword.iskeyword('and')
True
>>>
>>> keyword.iskeyword('has')
False
|
Python关键字知识点扩展：
TF-IDF
TF-IDF（Term Frequencey-Inverse Document Frequency）指词频-逆文档频率，它属于数值统计的范畴。使用TF-IDF，我们能够学习一个词对于数据集中的一个文档的重要性。
TF-IDF的概念
TF-IDF有两部分，词频和逆文档频率。首先介绍词频，这个词很直观，词频表示每个词在文档或数据集中出现的频率。等式如下：
TF(t)=词t在一篇文档中出现的次数/这篇文档的总词数
第二部分——逆文档频率实际上告诉了我们一个单词对文档的重要性。这是因为当计算TF的时候，我们对每个词赋予了同等的重要性，它出现得越多，它的TF就越高，如果它出现了100次，也许相比其他出现更少的词，它并不携带那么多信息，因此我们需要赋予它们权重，决定每个词的重要性。使用下面的等式得到IDF：
IDF(t)=(log10文档的篇数/包含词t文档的篇数)
那么，计算TF-IDF的方法如下：
TF * IDF=(词t在一篇文档中出现的次数/这篇文档的总词数)* log10(文档的篇数/包含词t文档的篇数)
到此这篇关于如何查看python关键字的文章就介绍到这了,更多相关python关键字查看实例内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://www.py.cn/jishu/jichu/22929.html