中文词频统计

标签：word   blog   词频统计   read   items   集合   list   col   lam   

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。

5. import jieba
   txt = open(‘小说.txt‘,‘r‘,encoding=‘utf-8‘).read()
   words=list(jieba.cut(txt))
   print(‘列表如下：‘,words)
   
   exp={‘,?!‘}#创建新的集合
   
   keys=set(words)-exp#排除无意义词，合并同一词
   
   dic={}
   for a in keys:#只保留两位以上的词
       if len(a)>1:
           dic[a]=words.count(a)
           
   
   c=list(dic.items())#解读词频
   c.sort(key=lambda x:x[1],reverse=True)
   
   
   for i in range(20):#输出前20
           print(c[i])

    

中文词频统计

标签：word   blog   词频统计   read   items   集合   list   col   lam   

原文地址：http://www.cnblogs.com/123hyf/p/7612152.html