码迷,mamicode.com
首页 > 其他好文 > 详细

中文词频统计

时间:2018-03-28 18:55:56      阅读:124      评论:0      收藏:0      [点我收藏+]

标签:exclude   word   text   utf-8   txt   rdl   统计   enc   article   

import jieba

f = open(‘article.txt‘,‘r‘,encoding=‘utf-8‘)
text = f.read()
f.close()
str = ‘‘‘一!“”,。?;’"‘,.、:\n‘‘‘
for s in str:
    text = text.replace(s,‘ ‘)
wordlist = list(jieba.cut(text))
exclude = {‘你‘,‘你们‘,‘的‘,‘他‘,‘了‘,‘她‘,‘是‘,‘在‘,‘—‘,‘他们‘,‘着‘,‘把‘,‘不‘,‘也‘,‘我‘,‘人‘,‘而‘,
           ‘与‘,‘有‘,‘可是‘,‘自己‘,‘就‘,‘又‘,‘什么‘,‘和‘,‘一个‘,‘ ‘,‘呢‘,‘很‘,‘象‘,‘一点‘,‘都‘,‘去‘,
           ‘没有‘,‘个‘,‘上‘,‘给‘,‘来‘,‘还‘,‘到‘,‘这‘,‘要‘,‘不是‘,‘得‘,‘但是‘,‘已经‘,‘那么‘,‘只‘,‘因为‘,}
set = set(wordlist) - exclude
dict = {}
for key in set:
    dict[key]=wordlist.count(key)
dictlist = list(dict.items())
dictlist.sort(key=lambda x: x[1], reverse=True)
for i in range(20):
    print(dictlist[i])

结果截图:

技术分享图片

 

中文词频统计

标签:exclude   word   text   utf-8   txt   rdl   统计   enc   article   

原文地址:https://www.cnblogs.com/stcy520/p/8665174.html

踩
(0)
赞
(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!