码迷,mamicode.com
首页 > 其他好文 > 详细

中文词频统计

时间:2017-09-29 12:41:58      阅读:136      评论:0      收藏:0      [点我收藏+]

标签:统计   reverse   src   词频统计   encoding   lis   alt   .com   ima   

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
fo = open(傲慢与偏见前十章.txt,r,encoding=utf-8).read()
words = list(jieba.cut(fo,cut_all=True))

for i in ‘‘‘,。:‘’“”?!\n \u3000\u3000‘‘‘:
    fo = fo.replace(i, )
words = fo.split( )
exp={‘‘,,,她说,}
dic={}
keys=set(words)-exp
for w in keys:
    dic[w]=words.count(w)

wc = list(dic.items()) 
wc.sort(key= lambda x:x[1],reverse=True)

for i in range(20):
    print(wc[i])

技术分享

 

中文词频统计

标签:统计   reverse   src   词频统计   encoding   lis   alt   .com   ima   

原文地址:http://www.cnblogs.com/yangjlee/p/7610451.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!