Python 合并多个TXT文件并统计词频的实现

Python  /  管理员 发布于 7年前   269

需求是：针对三篇英文文章进行分析，计算出现次数最多的 10 个单词

逻辑很清晰简单，不算难， 使用 python 读取多个 txt 文件，将文件的内容写入新的 txt 中，然后对新 txt 文件进行词频统计，得到最终结果。

代码如下：(在Windows 10，Python 3.7.4环境下运行通过)

# coding=utf-8import reimport os# 获取源文件夹的路径下的所有文件sourceFileDir = 'D:\\Python\\txt\\'filenames = os.listdir(sourceFileDir)# 打开当前目录下的 result.txt 文件，如果没有则创建# 文件也可以是其他类型的格式，如 result.jsfile = open('D:\\Python\\result.txt', 'w')# 遍历文件for filename in filenames: filepath = sourceFileDir+'\\'+filename # 遍历单个文件，读取行数，写入内容 for line in open(filepath):  file.writelines(line)  file.write('\n')# 关闭文件file.close()# 获取单词函数定义def getTxt(): txt = open('result.txt').read() txt = txt.lower() txt = txt.replace(''', '\'') # !"@#$%^&*()+,-./:;<=>?@[\\]_`~{|} for ch in '!"'@#$%^&*()+,-/:;<=>?@[\\]_`~{|}':  txt.replace(ch, ' ')  return txt# 1.获取单词hamletTxt = getTxt()# 2.切割为列表格式，'' 兼容符号错误情况，只保留英文单词txtArr = re.findall('[a-z\''A-Z]+', hamletTxt)# 3.去除所有遍历统计counts = {}for word in txtArr: # 去掉一些常见无价值词 forbinArr = ['a.', 'the', 'a', 'i'] if word not in forbinArr:  counts[word] = counts.get(word, 0) + 1# 4.转换格式，方便打印，将字典转换为列表，次数按从大到小排序countsList = list(counts.items())countsList.sort(key=lambda x: x[1], reverse=True)# 5. 输出结果for i in range(10): word, count = countsList[i] print('{0:<10}{1:>5}'.format(word, count))

效果如下图：

另一种更简单的统计词频的方法：

# coding=utf-8from collections import Counter# words 为读取到的结果 listwords = ['a', 'b' ,'a', 'c', 'v', '4', ',', 'w', 'y', 'y', 'u', 'y', 'r', 't', 'w']wordCounter = Counter(words)print(wordCounter.most_common(10))# output: [('y', 3), ('a', 2), ('w', 2), ('b', 1), ('c', 1), ('v', 1), ('4', 1), (',', 1), ('u', 1), ('r', 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。