如何基于pandas两列字符串数据构建连续字符串出现频次统计矩阵

你要实现的是二元词汇共现频次统计，直接用pandas内置的pd.crosstab()即可完成，不需要使用相关性计算接口或者额外分词操作，具体实现步骤如下：

• 第一步：准备待处理的DataFrame
  导入pandas后加载你自己的数据集，示例构造代码如下：

  import pandas as pd
  # 替换为你自己的数据集加载逻辑即可
  df = pd.DataFrame({
      'word 1': ['cat', 'dog', 'mouse', 'dog', 'dog', 'mouse'],
      'word 2': ['dog', 'mouse', 'dog', 'dog', 'mouse', 'cat']
  })
  

• 第二步：生成计数矩阵
  调用pd.crosstab()，指定行索引为前序列word 1，列索引为后续列word 2即可得到原始计数结果。如果需要保证行列覆盖所有出现过的单词、不存在的组合自动补0，可以补充reindex对齐逻辑：

  # 基础版：直接统计现有组合的频次
  count_matrix = pd.crosstab(index=df['word 1'], columns=df['word 2'])
  
  # 完整版：补全所有词汇的行列，缺失频次填充为0
  all_words = sorted(pd.unique(df[['word 1', 'word 2']].values.ravel()))
  count_matrix = count_matrix.reindex(index=all_words, columns=all_words, fill_value=0)
  

• 第三步：查看输出结果
  直接打印count_matrix即可得到你需要的矩阵格式，示例输出如下：

  word 2  cat  dog  mouse
  word 1                 
  cat       0    1      0
  dog       0    1      2
  mouse     1    1      0
  

如果你的数据量超过百万级，可以用更轻量化的collections.Counter实现：将两列打包为元组迭代计数后，再转换为DataFrame格式，性能会比crosstab更高。

内容的提问来源于stack exchange，提问作者Tatiana P.