Python語言一直以來都是數據科學和機器學習領域的首選語言之一，因為它擁有豐富的第三方庫與包，其中LDA包是一個非常受歡迎的包之一。

def lda(documents, num_topics):
'''
LDA主題建模
輸入：
documents：文本集合，格式為列表
num_topics：主題數目
輸出：
每個主題的關鍵詞組成的列表
'''
# 構建文本集合，格式為gensim所需格式
texts = [[word for word in doc.split()] for doc in documents]
# 構建gensim所需的詞袋模型
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]
# 進行LDA建模
lda_model = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=num_topics)
# 獲取每個主題的關鍵詞列表
topics = lda_model.print_topics(num_topics=num_topics, num_words=5)
# 將每個主題的關鍵詞列表存儲到一個列表中
keywords = []
for i, topic in topics:
keywords.append([word for word, _ in lda_model.show_topic(i)])
return keywords

上面代碼演示了如何使用LDA包進行主題建模。首先將傳入的文本集合格式化為gensim所需的格式，然后構建詞頻模型，使用LDA模型進行主題建模，最后獲取每個主題的關鍵詞列表。

LDA包的使用非常方便，它可以用于文本挖掘、文本分類、關鍵詞提取等多個方面。所以，如果您正在從事數據科學或機器學習的相關工作，LDA包一定是您不可或缺的工具。