Python英文文章词频统计(14份剑桥真题词频统计)

Python  /  管理员 发布于 7年前   209

Python剑桥真题词频统计

最好还是要学以致用，自主搜集了19年最近的14份剑桥真题之后，通过Python提供的jieba第三方库，对所有的文章信息进行了词频统计，并选择性地剔除了部分简易词汇，比如数字，普通冠词等，博主较懒，未清楚干净。

Python代码如下：

import jieba# 以只读方式打开text（即真题库）text = open('text.txt', 'r', encoding = 'utf-8').read()# len(text)#统一为小写 text = text.lower()# 需要剔除的词汇列表，也可以用记事本的形式，添加一个打开记事本的语句即可# 即 stwlist = [line.strip() for line in open 'stopwords.txt',encoding='utf-8').readlines()]# 这里使用列表stwlist = ['the','a','of','to','end','in','you','is','that','for','on','it','as','your','...','14',      'this','or','20','40','27','30','13','21','26','10','15','22',      '32','31','1','2','4','5','6','7','8','9','0','10','11','12','13',      '12','13','15','16','17','25','33','35','36','18','23','19','24',      '38','29','34','37','000','...............................']# 先进行分词words = jieba.cut(text, cut_all = False, HMM = True)#cut_all:是否采用全模式#HMM：是否采用HMM模型word_ = {}for word in words:  if (word.strip() not in stwlist):    if len(word) > 1:      if word != '\t':        if word != '\r\n': # 计算词频          if word in word_:word_[word] += 1          else:word_[word] = 1# 将结果保存为元组word_freq = []for word, freq in word_.items():  word_freq.append((word, freq))# 降序排列word_freq.sort(key = lambda x:x[1], reverse = True)#输出前3500个词汇for i in range(3500):  word, freq = word_freq[i]  print('{0:10}{1:5}'.format(word, freq))

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。