中文词频统计

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
fo = open('傲慢与偏见前十章.txt','r',encoding='utf-8').read()
words = list(jieba.cut(fo,cut_all=True))

for i in '''，。：‘’“”？！\n \u3000\u3000''':
    fo = fo.replace(i,' ')
words = fo.split(' ')
exp={'','噢','唔','她说','啊'}
dic={}
keys=set(words)-exp
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])

 

转载于:https://www.cnblogs.com/yangjlee/p/7610451.html