zoukankan      html  css  js  c++  java
  • 中文词频统计

    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。
    import jieba
    fo = open('骆驼祥子.txt','r',encoding='utf-8').read()
    words = list(jieba.cut(fo,cut_all=True))#全
    
    for i in ''',。‘’“”?!
     
    
    u3000u3000''':
        fo = fo.replace(i,' ')
    words = fo.split(' ')#词的列表
    
    dic={}
    keys=set(words)
    for w in keys:
        dic[w]=words.count(w)
    
    wc = list(dic.items()) #函数列表形式
    wc.sort(key= lambda x:x[1],reverse=True)
    
    for i in range(20):
        print(wc[i])

    方法二:

    import jieba
    fo = open('骆驼祥子.txt','r',encoding='utf-8').read()
    words = list(jieba.cut(fo,cut_all=True))#
    
    exp={''',。‘’“”?!
     
    
    u3000u3000'''}
    dic={ }
    words=set(words)-exp
    for w in words:
        if len(w)==1:
            continue
        else:
            dic[w]=dic.get(w,0)+1
    
    wc = list(dic.items())
    wc.sort(key= lambda x:x[1],reverse=True)
    
    for i in range(20):
        print(wc[i])

    结果:

    ('', 1)
    ('外国', 1)
    ('啪啪', 1)
    ('跳墙', 1)
    ('洛夫斯', 1)
    ('彼此', 1)
    ('再说', 1)
    ('力量', 1)
    ('而言', 1)
    ('发现', 1)
    ('湿透', 1)
    ('吸着', 1)
    ('目不旁视', 1)
    ('抬起头来', 1)
    ('游街', 1)
    ('干燥', 1)
    ('只要', 1)
    ('民歌', 1)
    ('卖点', 1)
    ('怀着', 1)

  • 相关阅读:
    python线程同步
    闭包、装饰器
    python中的return返回值
    常用内建函数
    python迭代器与生成器
    python基础之数据类型
    VS生成解决方案时报错: Your project does not reference ".NETFramework,Version=v4.5"
    Unity 低版本打开高版本项目
    关闭应用程序的所有子窗体
    按钮接收 Enter 键
  • 原文地址:https://www.cnblogs.com/YyYyYy11/p/7609717.html
Copyright © 2011-2022 走看看