码迷,mamicode.com
首页 > 其他好文 > 详细

中文词频统计

时间:2017-09-29 14:02:36      阅读:134      评论:0      收藏:0      [点我收藏+]

标签:rds   分解   引入   print   cut   元组   字典   reverse   code   

  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#引入库
fo=open(老人与海.txt,r,encoding=utf-8)
t=fo.read()
fo.close()#读入待分析文章

words=jieba.cut(t)#分解提取词汇
dic={}#创建一个字典
for w in words:
    if len(w)==1:
        continue#去掉一个字节的字符
    else:
        dic[w]=dic.get(w,0)+1#对字典赋键值
wc = list(dic.items())#将字典转换成由元组组成的列表
wc.sort(key=lambda x:x[1],reverse = True)#对字典的值按从大到小排序
for i in range(20):
    print(wc[i])#输出前20个

技术分享

解读:该书的主人公是老人和小孩,讲述的是老人乘船出海捕鱼,最后老人经过几天几夜不屈不挠的斗争终于战胜了大鱼,成功捕获它。

中文词频统计

标签:rds   分解   引入   print   cut   元组   字典   reverse   code   

原文地址:http://www.cnblogs.com/lwb9511/p/7610616.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!