码迷,mamicode.com
首页 > 其他好文 > 详细

文本词频统计

时间:2018-06-04 19:11:28      阅读:345      评论:0      收藏:0      [点我收藏+]

标签:词频统计   alt   range   综合   item   字典   其他   excludes   clu   

 

本例是数组、字典、列表、jieba(第三方库)的综合应用,我们将对三国演义中出现次数前十的任务进行排名并统计出出现的次数。

技术分享图片

程序1:

#CalThreeKingdomsV1.py
import jieba
txt = open("threekingdoms.txt", "r", encoding="utf-8").read()
words = jieba.lcut(txt) #利用jieba函数进行分词并返回列表类型
counts = {} #创建一个字典存储信息
for word in words:
  if len(word) == 1:
    continue
  else:
    counts[word] = counts.get(word,0) + 1
items = list(counts.items()) #强制列表转换(列表中以元组对的形式存放)
items.sort(key=lambda x:x[1], reverse=True) #排序,从大到小
for i in range(15):
  word, count = items[i]
  print("{0:<10}{1:>5}".format(word, count))

运行结果:

技术分享图片

可以看出这个程序只是满足的要求,并未达到理想的效果,即结果中存在不是人名的词,对此我们要做出适当修改,修改后程序如下:

源程序2:

import jieba
excludes = {"将军","却说","荆州","二人","不可","不能","如此","如何","商议","军士","左右","引兵","军马","次日","大喜","天下","东吴","于是","今日","不散","魏兵","不敢","陛下","一人"}
txt = open("threekingdoms.txt", "r", encoding=‘utf-8‘).read()
words = jieba.lcut(txt)
counts = {}
for word in words:
  if len(word) == 1:
    continue
  elif word == "诸葛亮" or word == "孔明曰":
    rword = "孔明"
  elif word == "关公" or word == "云长":
    rword = "关羽"
  elif word == "玄德" or word == "玄德曰" :
    rword = "刘备"
  elif word == "孟德" or word == "丞相":
    rword = "曹操"
  elif word == "都督" :
    rword = "周瑜"
  else:
    rword = word
counts[rword] = counts.get(rword,0) + 1 #将整理后的列表元素存入到字典中
for word in excludes:
  del counts[word]#删除不合理的非人名元素
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)
for i in range(10):
  word, count = items[i]
  print ("{0:<10}{1:>5}".format(word, count))

注意,这里excludes里面的元素是我们在运行中逐步添加的,直至达到我们理想中的要求。(本例中为前十位,可结合实际问题修改)

这个例子讲解的是三国演义的词频统计,我们还可以进行其他的应用,比如自己喜欢的文学作品或者小说,总之是一件很好玩的事情!

版权声明:


本文中所有文字、图片版权均属本人所有,如需转载请注明来源。

文本词频统计

标签:词频统计   alt   range   综合   item   字典   其他   excludes   clu   

原文地址:https://www.cnblogs.com/yufanxin/p/9134824.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!