十、中文词频统计

中文分词

1. 下载一中文长篇小说，并转换成UTF-8编码。
2. 使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。
3. 排除一些无意义词、合并同一词。
4. 对词频统计结果做简单的解读。

   import jieba
   
   stories = open('蜻蜓眼.txt','r',encoding='utf-8').read()
   story=list(jieba.cut(stories))
   
   #不统计单词的集合
   exp = {'一个','一把','一声','一次','一直'}
   
   #键的集合
   keys=set(story)-exp
   
   #写入字典
   dic={}
   
   #单词计数字典
   for s in keys:
       if len(s)>1:
           dic[s]=story.count(s)
   
   #(词组，计数)元组的列表
   sk = list(dic.items())
   
   #列表排序
   sk.sort(key=lambda x:x[1],reverse = True)
   
   #输出TOP20元组
   for i in range(20):
       print(sk[i])

     运行结果如图：

          

统计结果解读：这一章节奶奶与阿梅的出现次数最多，奶奶对油纸伞的喜爱和阿梅对爷爷奶奶的感情贯穿全文。