python实现简单中文词频统计示例

Python  /  管理员 发布于 7年前   293

本文介绍了python实现简单中文词频统计示例，分享给大家，具体如下：

任务

简单统计一个小说中哪些个汉字出现的频率最高

知识点

1.文件操作
2.字典
3.排序
4.lambda

代码

import codecsimport matplotlib.pyplot as pltfrom pylab import mplmpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题word = []counter = {}with codecs.open('data.txt') as fr: for line in fr:  line = line.strip()  if len(line) == 0:   continue  for w in line:   if not w in word:    word.append(w)   if not w in counter:    counter[w] = 0   else:    counter[w] += 1counter_list = sorted(counter.items(), key=lambda x: x[1], reverse=True)print(counter_list[:50])label = list(map(lambda x: x[0], counter_list[:50]))value = list(map(lambda y: y[1], counter_list[:50]))plt.bar(range(len(value)), value, tick_label=label)plt.show()

统计了一个11M的小说，结果如下：

[('，', 288508), ('。', 261584), ('的', 188693), ('陈', 92565), ('欢', 92505), ('不', 91234), ('是', 90562), ('了', 86931), ('一', 79059), ('着', 77997), ('他'
, 71695), ('这', 63580), ('人', 61210), ('“', 59719), ('”', 59115), ('有', 56054), ('就', 52862), ('个', 49097), ('都', 46850), ('你', 45400), ('来', 42659),
 ('我', 40057), ('在', 37676), ('们', 36966), ('到', 36351), ('说', 35828), ('还', 35260), ('么', 32601), ('下', 31742), ('地', 30692), ('得', 29904), ('上', 2
9627), ('看', 28408), ('没', 28333), ('出', 27937), ('道', 27732), ('大', 27012), ('？', 26729), ('那', 26589), ('要', 26076), ('子', 25035), ('自', 24012), ('
点', 23942), ('好', 21345), ('想', 21242), ('里', 20915), ('面', 20661), ('她', 20313), ('过', 20304), ('话', 20110)]

 

使用jieba先对中文文档进行分词处理

import sys reload(sys) sys.setdefaultencoding("utf-8")  import jieba import jieba.analyse  wf = open('clean_title.txt','w+') for line in open('/root/clean_data/clean_data.csv'):    item = line.strip('\n\r').split('\t') //制表格切分   # print item[1]   tags = jieba.analyse.extract_tags(item[1]) //jieba分词   tagsw = ",".join(tags) //逗号连接切分的词   wf.write(tagsw)  wf.close() 

输出的clean_title.txt内容
邮轮,地中海,深度,罗马,自由纳西,柏林签证,步行,三天,批准申根,手把手,签证,申请,如何赞爆,法兰,穿越,葡萄酒,风景,河谷,世界欧洲颜色,一种,国家,一个水族箱,帕劳,七日,上帝奥林匹亚,跑步圣托, 
里尼,文明古国,探访,爱琴海,魅力,希腊 

2、统计词频

#!/usr/bin/python # -*- coding:utf-8 -*-  word_lst = [] word_dict= {} with open('/root/clean_data/clean_title.txt') as wf,open("word.txt",'w') as wf2: //打开文件    for word in wf:     word_lst.append(word.split(',')) //使用逗号进行切分     for item in word_lst:        for item2 in item:         if item2 not in word_dict: //统计数量           word_dict[item2] = 1         else:           word_dict[item2] += 1    for key in word_dict:     print key,word_dict[key]     wf2.write(key+' '+str(word_dict[key])+'\n') //写入文档 

结果：

最后 4 
欧洲幽蓝 1 
集美 1 
葡萄牙法多 1 
工地 1 
知道湖光山色 1 
神圣 7 
欧洲少女瑞士加游 1 

根据词汇数量排序查看：

cat word.txt |sort -nr -k 2|more

神圣 7 
最后 4 
欧洲幽蓝 1 
集美 1 
葡萄牙法多 1 
工地 1 
知道湖光山色 1 
欧洲少女瑞士加游 1 

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。