中文词频统计

标签：ges   int   分享   logs   .so   rds   image   编码   range   

中文分词

1. 下载一中文长篇小说，并转换成UTF-8编码。
2. 使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。
3. 排除一些无意义词、合并同一词。
4. 对词频统计结果做简单的解读。

   import jieba
   txt=open(‘11处特工皇妃.txt‘,‘r‘,encoding=‘utf-8‘).read()
   words=list(jieba.cut(txt))
   
   exp={‘ ‘,‘，‘,‘。‘,‘”‘,‘“‘,‘：‘,‘\n‘,‘?‘,‘？‘,‘！‘,‘来‘,‘对‘,‘又‘,‘吗‘,‘很‘,‘一‘,‘下‘,‘会‘,‘道‘,‘要‘,‘而‘,‘还‘,‘将‘,‘被‘,‘去‘,‘说‘,‘那‘,‘这‘,‘的‘,‘你‘,‘我‘,‘他‘,‘啊‘,‘哦‘,‘了‘,‘在‘,‘是‘,‘她‘,‘着‘,‘就‘,‘也‘,‘都‘,‘人‘,‘不‘,‘上‘,‘和‘,‘有‘,‘却‘}
   
   keys=set(words)
   keys=keys-exp
   
   dic={}
   for w in keys:
       dic[w]=words.count(w)
   
   wc=list(dic.items())
   wc.sort(key=lambda x:x[1],reverse=True)
   for i in range(20):
       print(wc[i])

   

中文词频统计

标签：ges   int   分享   logs   .so   rds   image   编码   range   

原文地址：http://www.cnblogs.com/JUNJUNER/p/7612725.html