### 5.1 分析回答长度 在对文本数据进行分析时，回答长度是一个基础但重要的指标。通过计算每条回答的字符数，可以了解回答的详细程度或用户的参与度。在 Python 中，可以通过 `pandas` 库对数据框中的某一列进行操作，以计算每条回答的长度，并生成描述性统计信息。 以下代码展示了如何计算回答长度并输出统计结果： ```python import pandas as pd # 假设 df 是一个包含 'answer' 列的 DataFrame df['answer_length'] = df['answer'].apply(len) # 打印回答长度的描述性统计信息 print(df['answer_length'].describe()) ``` 该统计结果通常包括平均值、标准差、最小值、最大值以及四分位数等信息，有助于理解回答长度的分布情况[^1]。 ### 5.2 关键词提取与分析 关键词提取是自然语言处理中的常见任务，用于识别文本中最具代表性的词汇。Python 提供了多种方法进行关键词提取，例如使用 `TfidfVectorizer` 或 `CountVectorizer` 从 `sklearn.feature_extraction.text` 模块中提取文本特征。 以下是一个使用 `TfidfVectorizer` 提取关键词的示例： ```python from sklearn.feature_extraction.text import TfidfVectorizer # 假设 answers 是一个包含所有回答的列表 vectorizer = TfidfVectorizer(stop_words='english', max_features=1000) tfidf_matrix = vectorizer.fit_transform(answers) # 获取词汇表 feature_names = vectorizer.get_feature_names_out() # 获取每个文档的 TF-IDF 值 for i in range(len(answers)): tfidf_scores = zip(feature_names, tfidf_matrix[i].toarray()[0]) sorted_scores = sorted(tfidf_scores, key=lambda x: x[1], reverse=True) print(f"Top keywords for answer {i}:") for word, score in sorted_scores[:10]: print(f"{word}: {score}") ``` 此方法通过计算 TF-IDF 值来衡量每个词在文档中的重要性，从而帮助识别出具有代表性的关键词[^1]。 ### 8. Python 装饰器的概念 Python 装饰器是一种设计模式，允许用户在不修改函数定义的情况下增强函数的行为。装饰器本质上是一个函数，它接受另一个函数作为参数并返回一个新的函数。这种机制广泛应用于 Flask、Django 等框架中，用于实现路由、权限控制等功能。 以下是一个简单的装饰器示例： ```python def my_decorator(func): def wrapper(): print("Before function call") func() print("After function call") return wrapper @my_decorator def say_hello(): print("Hello") say_hello() ``` 运行上述代码将输出： ``` Before function call Hello After function call ``` 该示例展示了装饰器如何在函数执行前后添加额外的行为，而无需修改函数本身的实现[^2]。 ### 数组操作与矩阵比较 在 Python 中，`NumPy` 提供了强大的数组操作功能。例如，两个数组相乘可以通过 `np.multiply()` 或直接使用 `*` 运算符实现。对于矩阵运算，如矩阵乘法，可以使用 `np.dot()` 或 `@` 运算符。 以下是一个矩阵乘法和单位矩阵比较的示例： ```python import numpy as np # 构建一个 Hadamard 矩阵 H = 1 / np.sqrt(2) * np.array([[1, 1], [1, -1]]) # 计算 H 与其共轭转置的乘积 result = H @ H.conj().T # 判断结果是否为单位矩阵 is_unitary = np.allclose(result, np.eye(len(H))) print("Is H a unitary matrix?", is_unitary) ``` 该示例首先构建了一个 2x2 的 Hadamard 矩阵，并计算了它与其共轭转置的乘积。随后使用 `np.allclose()` 判断结果是否接近于单位矩阵。这种方法比直接使用 `np.array_equal()` 更适合浮点数比较，因为它允许一定的误差范围[^3]。 ---