作业——03 复合数据类型，英文词频统计

作业的要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2696

---

1.列表，元组，字典，集合分别如何增删改查及遍历。

　　列表操作如下：

#列表
list1 = ['Google', 'Runoob', 1997, 2000];
list2 = [1, 2, 3, 4, 5 ];
list3 = ["a", "b", "c", "d"];
#输出
print(list1);
print(list2);
print(list3);
print(list2[0:2]);'下标0开始,下标2结束，但不包含下标2所对应的上键(元素)'
#增加
list1.insert(2,'Wiki');
list1.insert(5,1998);
print(list1);
#删除
list2.pop(0);
print(list2)
#修改
list3[1]='A';
print(list3);
#查找
index=list3.index('b');
print(index);

　　元组的操作如下：

#元组
tup1 = ('Google', 'Runoob', 1997, 2000);
tup2 = (1, 2, 3, 4, 5, 8);
tup3 = "a", "b", "c", "d"; 
#输出
print(tup1);
print(tup2);
print(tup3);
print(tup1[0]);
print(tup2[1:3]);
#连接元组
tup4=tup1+tup2+tup3;
print(tup4);
#不能删，会提示错误
del tup1;
print (tup1);

　　字典的操作如下：

#字典
dict = {'Name': 'Runoob', 'Age': 7, 'Class': 'First'}
#输出
print(dict)
#增加
dict['Sex']='boy' #字典可以自动添加  
print(dict)
#删除
del dict['Name'] # 删除键 'Name'
dict.clear()     # 清空字典
del dict         # 删除字典
print ("dict['Age']: ", dict['Age'])'但这会引发一个异常，因为用执行 del 操作后字典不再存在'
#修改
dict['Age'] = 18
print(dict)
#查询
if  'Age' in dict:
    print("键 Age 存在")
else :
    print("键 Age 不存在")

　　集合的操作如下：

#集合
basket = {'apple', 'orange', 'apple', 'pear', 'orange', 'banana'}
print(basket);'z自动去重'
#增加
basket.add('peach')
print(basket);
#删除
basket.remove('orange')
print(basket);
#查询
a='orange' in basket
print(a) 

2.总结列表，元组，字典，集合的联系与区别。参考以下几个方面：

• 括号
• 有序无序
• 可变不可变
• 重复不可重复
• 存储与查找方式

	列表	元组	字典	集合
括号	[]	()	{}	{}或set()
有序无序	有序	有序	无序	无序，自动正序
可变不可变	可变	不可变	可变	不可变
重复不重复	是	是	否	是
存储方式	值	值	键（不可重复）	键值对（键不能重复）

3.词频统计

　　1.下载一长篇小说，存成utf-8编码的文本文件 file

　　2.通过文件读取字符串 str

　　3.对文本进行预处理

　　4.分解提取单词 list

　　5.单词计数字典 set , dict

　　6.按词频排序 list.sort(key=lambda),turple

　　7.排除语法型词汇，代词、冠词、连词等无语义词

• • 自定义停用词表
  • 或用stops.txt

　　8.输出TOP(20)

　　9.可视化：词云

# -*- coding: utf-8 -*-
"""
Created on Mon Mar 11 11:29:03 2019

@author: Administrator
"""

exclude={'a','the','and','i','you','in','but','not','with','by','its','for','of','an','to'}  #定义数组#
#读取Harry Potter.txt文件中的英文内容#
def gettxt():
    sep=".,:;?!-_'"
    txt=open('Pioneers Of France In The New World France and England in North America.txt','r',encoding='utf-8').read().lower()
    for ch in sep :
        txt=txt.replace(ch,' ')
    return txt
#分解提取单词#
bigList=gettxt().split()
print(bigList);
print('big:',bigList.count('big'))

bigSet=set(bigList)
#过滤单词，包括一些冠词和连词等#
bigSet=bigSet-exclude
print(bigSet)

#单词计数#
bigDict={}
for word in bigSet:
    bigDict[word]=bigList.count(word)
print(bigDict)

print(bigDict.items())

word=list(bigDict.items())
#按词频排序#
word.sort(key=lambda x:x[1],reverse=True)
print(word)

#输出频率较高的词语top20#
for i in range(20):
    print(word[i])

#排序好的单词列表word保存成csv文件#
import pandas as pd
pd.DataFrame(data=word).to_csv('Pioneers Of France In The New World: France and England in North America.csv',encoding='utf-8')

　　运行结果如下：

　　

　　

　　

　　输出csv文件

　　

　　使用网站（https://wordart.com/create）进行词云统计，结果如下：