码迷,mamicode.com
首页 > 其他好文 > 详细

中文词频统计

时间:2017-09-29 23:01:52      阅读:204      评论:0      收藏:0      [点我收藏+]

标签:color   image   png   encoding   下载   utf-8   div   技术   alt   

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。

import jieba

txt = open(wkz.txt, r, encoding=UTF-8).read()

for i in ,。!?:“”……()你我他她是没有一什么这为那这:
    txt = txt.replace(i, ‘‘)
words = list(jieba.cut(txt))

dic = {}
for i in words:
    if len(i) == 1:
        continue
    else:
        dic[i] = dic.get(i, 0) + 1

wc = list(dic.items())
wc.sort(key=lambda x: x[1], reverse=True)
# print(a)

for i in range(20):
    print(wc[i])

《悟空传》

技术分享

 

中文词频统计

标签:color   image   png   encoding   下载   utf-8   div   技术   alt   

原文地址:http://www.cnblogs.com/GAODASHANG/p/7612852.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!