中文词频统计

标签：item   for   alt   数字   分解   enc   jieba   port   分享   

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
   
   #读入待分析的字符串
   fo=open(‘红楼梦前五十回.txt‘,‘r‘,encoding=‘utf-8‘)
   str=fo.read()
   fo.close()
   
   
   #分解提取单词 
   for i in ‘‘‘，。？！、:“”‘’"‘-\n\u3000‘‘‘:
       str=str.replace(i,‘‘)
   words=list(jieba.cut(str))
   
   #排除语法型词汇
   dic={}
   exp=set([‘‘,‘什么‘,‘怎么‘,‘一个‘,‘两个‘,‘这里‘,‘那里‘,‘如今‘])
   keys=set(words)-exp 
   
   #创建计数字典
   for i in keys:
       if(len(i)>1):
           dic[i]=words.count(i)    
   items=list(dic.items()) 
   
   #排序
   items.sort(key=lambda x:x[1],reverse=True)
   
   #输出TOP(20)
   print(‘输出TOP20:‘)
   for i in range(20):
       print(items[i])

   

   足以看出红楼梦中的主角以宝玉、贾母、凤姐、王夫人、老太太和黛玉为主，并有多次众人相聚聊天。

中文词频统计

标签：item   for   alt   数字   分解   enc   jieba   port   分享   

原文地址：http://www.cnblogs.com/wuwenx/p/7610347.html