Python读取文件后进行词频统计

算法与编程之美

发布于 2021-12-01 21:19:56

2.8K0

发布于 2021-12-01 21:19:56

文章被收录于专栏：算法与编程之美

1引言

本文解决由粉丝提出的问题。

2 问题

我们在使用python函数获取文件后，有时需要对该文件进行词频统计。

本文将通过对英文文件的读取和中文文件的读取进行讲解。

3 方法

一．统计英文文档中的词频

统计英文词频的第一步是分解并提取英文文章的单词，同一个单词会存在大小写不同形式，但计数却不能区分大小写，可通过lower()将字母变为小写。
文中具有多种标点符合，可通过replace()将特殊字符和标点符号变为空格，再提取单词。

定义字典统计单词及其出现次数。
将字典转换为列表，并进行排序。

出现次数从高到低进行排序并且打印输出。

完整代码：

代码清单 1

def getText():
   txt = open("C:\\Users\\61483\\Desktop\\EnglishTest.txt","r",encoding='utf-8').read()
   txt = txt.lower()    #排除单词大小写影响
for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_`{1}~':
       txt = txt.replace(ch," ")    #排除特殊字符及标点符号的影响
return txt
EnglishTxt = getText()
# print(EnglishTxt)
words = EnglishTxt.split()
counts = {}          #统计单词出现次数
for word in words:
   counts[word] = counts.get(word,0) + 1
items = list(counts.items())             #将字典转换为记录列表
items.sort(key=lambda x:x[1],reverse=True)   #进行排序
for i in range(10):
   word,count = items[i]
print("{0:<10}{1:>5}".format(word,count))    #从高到低输出出现次数多的前十个单词

二.对中文文档进行词频统计

1.安装python第三方库(pip install jieba)

1.1 jieba库的使用

jieba库简介：

Jieba库分词原理是利用一个中文词库，将待分词内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组。除了分词，jieba库还提供增加自定义中文单词的功能。

函数	描述
jieba.cut(s)	精确模式，返回一个可迭代的数据类型
jieba.cut(s,cut_all=True)	全模式，输出文本s中所有可能的单词
jieba.cut_for_search(s)	搜索引擎模式，适合搜索引擎建立索引
jieba.lcut(s)	精确模式，返回一个列表类型
jieba.lcut(s,cut_all=True)	全模式，返回一个列表类型
jieba.lcut_for_search(s)	搜索引擎模式，返回一个列表类型
jieba.add_word(w)	向分词词典中增加新词w

使用jieba分词之后，词频统计方法与英文词频统计方法类似，下面展示完整代码。

代码清单 2

import jieba
txt = open("C:\\Users\\61483\\Desktop\\电脑快捷键.txt","r",encoding='utf-8').read()
words = jieba.lcut(txt)
counts = {}
for word in words:
if len(word) == 1:
continue
   else:
       counts[word] = counts.get(word,0) + 1
items = list(counts.items())
items.sort(key=lambda x:x[1],reverse=True)
for i in range(15):
   word,count = items[i]
print("{0:<10}{1:>5}".format(word,count))

运行效果：