码迷,mamicode.com
首页 > 其他好文 > 详细

中文词频统计

时间:2017-09-29 16:40:39      阅读:172      评论:0      收藏:0      [点我收藏+]

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])

    技术分享

    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

(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!