Python中關鍵詞有多少個？Python中關鍵詞目前有31個，可以利用Python的內置的keyword模塊進行輸出查看。
keyword模塊
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', ...
得到python的關鍵字列表：
>>> 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']
判斷字符串是否是python的關鍵字
>>> keyword.iskeyword('and') True >>> >>> keyword.iskeyword('has') False
關於關鍵字知識點擴展：
TF-IDF
TF-IDF（Term Frequencey-Inverse Document Frequency）指詞頻-逆文檔頻率，它屬於數值統計的範疇。使用TF-IDF，我們能夠學習一個詞對於數據集中的一個文檔的重要性。
TF-IDF的概念
TF-IDF有兩部分，詞頻和逆文檔頻率。首先介紹詞頻，這個詞很直觀，詞頻表示每個詞在文檔或數據集中出現的頻率。等式如下：
TF(t)=詞t在一篇文檔中出現的次數/這篇文檔的總詞數
第二部分――逆文檔頻率實際上告訴了我們一個單詞對文檔的重要性。這是因為當計算TF的時候，我們對每個詞賦予了同等的重要性，它出現得越多，它的TF就越高，如果它出現了100次，也許相比其他出現更少的詞，它並不攜帶那麼多信息，因此我們需要賦予它們權重，決定每個詞的重要性。使用下面的等式得到IDF：
IDF(t)=(log10文檔的篇數/包含詞t文檔的篇數)
那麼，計算TF-IDF的方法如下：
TF * IDF=(詞t在一篇文檔中出現的次數/這篇文檔的總詞數)* log10(文檔的篇數/包含詞t文檔的篇數)
[hongdian2012 ] Python中有幾個關鍵字已經有244次圍觀