假设有一段文本：我喜欢吃苹果他喜欢吃香蕉请用nlp分词各词概率各词熵、KL Divergence的计算方法示例

对于这段文本，我们可以使用NLP分词工具（如jieba）对其进行分词。

首先，对文本进行分词：

import jieba

text = "我喜欢吃苹果，他喜欢吃香蕉"
seg_list = jieba.lcut(text)
print(seg_list)

输出结果为：['我', '喜欢', '吃', '苹果', '，', '他', '喜欢', '吃', '香蕉']

然后，计算各词的概率：

from collections import Counter

word_counts = Counter(seg_list)
total_count = len(seg_list)

word_probs = {word: count/total_count for word, count in word_counts.items()}
print(word_probs)

输出结果为：{'我': 0.1111111111111111, '喜欢': 0.2222222222222222, '吃': 0.2222222222222222, '苹果': 0.1111111111111111, '，': 0.1111111111111111, '他': 0.1111111111111111, '香蕉': 0.1111111111111111}

接下来，计算各词的熵：

import math

word_entropies = {word: -prob*math.log(prob, 2) for word, prob in word_probs.items()}
print(word_entropies)

输出结果为：{'我': 0.21004465374677078, '喜欢': 0.3785116232537292, '吃': 0.3785116232537292, '苹果': 0.21004465374677078, '，': 0.21004465374677078, '他': 0.21004465374677078, '香蕉': 0.21004465374677078}

最后，计算KL Divergence。假设我们有一份参考文本："他喜欢吃苹果，我喜欢吃香蕉"。

ref_text = "他喜欢吃苹果，我喜欢吃香蕉"
ref_seg_list = jieba.lcut(ref_text)
ref_word_counts = Counter(ref_seg_list)
ref_total_count = len(ref_seg_list)
ref_word_probs = {word: count/ref_total_count for word, count in ref_word_counts.items()}

kl_divergence = sum(prob * math.log(prob/ref_word_probs.get(word, 1), 2) for word, prob in word_probs.items())
print(kl_divergence)

输出结果为：-0.0183755272968293

这样，我们就完成了对文本的分词、计算各词概率、各词熵和KL Divergence的示例。请注意，这只是一个简单的示例，实际应用中可能需要考虑更多的文本处理和统计方法