码迷,mamicode.com
首页 > 其他好文 > 详细

综合练习:词频统计

时间:2018-03-27 18:53:46      阅读:125      评论:0      收藏:0      [点我收藏+]

标签:方式   最大   utf-8   gpo   重复   sharp   .so   log   \n   

综合练习

词频统计预处理

下载一首英文的歌词或文章

将所有,.?!’:等分隔符全部替换为空格

将所有大写转换为小写

生成单词列表

生成词频统计

排序

排除语法型词汇,代词、冠词、连词

输出词频最大TOP20

将分析对象存为utf-8编码的文件,通过文件读取的方式获得词频分析内容。

# 从记事本长读取文件
f = open(‘news.txt‘,‘r‘,encoding=‘UTF-8‘)#打开文件
news = f.read()#读取文件
f.close()#关闭文件
print(news)

s = ‘‘‘,.;:‘"!?”、‘;:,。!’“‘‘‘
# 定义一个不需要的单词列表,即需删除的单词,例如代词、冠词、连词等
exclude = {‘to‘, ‘and‘, ‘a‘, ‘of‘, ‘on‘}
for i in s:
    news = news.lower().replace(i,‘ ‘)

newsList = news.split()
for i in newsList:
    print(i)


#方法1:通过遍历集合创建字典
newsDict = {}
print(‘方法1:‘)
# set集合,去除了重复的键
#去除不必要的单词,直接用列表减去需要去除的列表名
newsSet = set(newsList)-exclude
for w in newsSet:
    newsDict[w] = newsList.count(w)

for w in newsDict:
    print(w, newsDict[w])

# 方法2:通过遍历列表创建字典
newsDict2 = {}
print(‘方法2:‘)
for n in newsList:
    newsDict2[n] = newsDict2.get(n, 0)+1
# 减去不必要的单词
for e in exclude:
    del(newsDict2[e])

for n in newsDict2:
    print(n, newsDict2[n])

print(newsDict2)

# 按歌词出现的次数进行排序
# 将newsDict转变成列表
# newsDict.keys()#获取到newsDict的key值
# newsDict.values()获取到newsDict的values值
# newsDict.items()获取newsDict的key和values的值
dictList = list(newsDict.items())
dictList.sort(key=lambda x:x[1],reverse=True)

print(dictList)

# 输出前20个数据
for i in range(20):
    print(dictList[i])

# 保存文件,
f = open(‘newscount.txt‘,‘a‘)
for i in range(20):
    f.write(dictList[i][0]+‘ ‘+str(dictList[i][1])+‘\n‘)
f.close()

  

综合练习:词频统计

标签:方式   最大   utf-8   gpo   重复   sharp   .so   log   \n   

原文地址:https://www.cnblogs.com/2647409627qq/p/8658564.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!