中文词频统计

标签：list   ges   style   ems   range   .com   ima   分词   blog   

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                                                    #使用jieba库
   
   novel=open(‘C:\\novel.txt‘,‘r‘,encoding=‘utf-8‘).read()         #中文长篇小说转换成UTF-8编码
   words=list(jieba.cut(novel))                                    #中文分词
   
   exp={‘，‘,‘。‘,‘：‘,‘“‘,‘”‘}                                  #排除无意义词、合并同一词
   keys=set(words)-exp
   
   dic={}
   for w in keys:
       if len(w)>1:
           dic[w]=words.count(w)
                                        
   txt=list(dic.items())
   txt.sort(key=lambda x:x[1],reverse=True)
   
   for i in range(20):                                              #中文词频统计，输出TOP20的词及出现次数
       print(txt[i])

   

5. 唐僧师徒途径女儿国，几经波折取得关文才得以脱身。

中文词频统计

标签：list   ges   style   ems   range   .com   ima   分词   blog   

原文地址：http://www.cnblogs.com/suxihong/p/7611118.html