使用Python计算文件中的单词频率

是否曾想知道一种快速的方法来告知某些文档所关注的内容？ 它的主要主题是什么？ 让我给你这个简单的把戏。 列出文档中提到的唯一单词，然后检查每个单词被提及了多少次（频率）。 通过这种方式，您可以了解文档的主要内容。 但这手动操作并不容易，所以我们需要一些自动化的过程，不是吗？

是的，自动化过程将使这一过程变得更加容易。 让我们看看如何在文本文件中列出不同的唯一单词，并使用Python检查每个单词的出现频率。

测试文件

在本教程中，我们将使用test.txt作为测试文件。 继续下载它，但是不要打开它！ 让我们做一个小游戏。 该测试文件中的文本来自我在Envato Tuts +的其中一篇教程。 根据单词的出现频率，让我们猜出该文本是从我的哪个教程中提取的。

让游戏开始吧！

常用表达

由于我们要在游戏中应用模式，因此我们需要使用正则表达式（regex）。 如果“正则表达式”是您的新名词，那么这是Wikipedia的一个很好的定义：

定义搜索模式的字符序列，主要用于与字符串进行模式匹配或字符串匹配（即类似“查找和替换”的操作）。 这个概念出现于1950年代，当时美国数学家Stephen Kleene将正规语言的描述形式化，并与Unix文本处理实用程序ed（编辑器）和grep（过滤器）共同使用。

如果您想在继续学习本教程之前进一步了解正则表达式，可以查看我的其他教程《 Python中的正则表达式》 ，然后再次回来继续本教程。

建立程序

让我们逐步开发这款游戏。 我们要做的第一件事是将文本文件存储在字符串变量中。

document_text = open('test.txt', 'r')
text_string = document_text.read()

现在，为了使我们的正则表达式更容易应用，让我们使用lower（）函数将文档中的所有字母变成小写字母，如下所示：

text_string = document_text.read().lower()

让我们写一个正则表达式，它将返回字符数在[3-15]范围内的所有单词。 从3开始，将有助于避免我们可能不想对它们的频率进行计数的单词，例如if ， of ， in 等等，而长度大于15单词可能不是正确的单词。 这种模式的正则表达式如下所示：

\b[a-z]{3,15}\b

\b与单词边界有关 。 有关单词边界的更多信息，可以查看本教程 。

上面的正则表达式可以编写如下：

match_pattern = re.search(r'\b[a-z]{3,15}\b', text_string)

由于我们要遍历文档中的多个单词，因此可以使用findall函数：

返回string中的pattern的所有非重叠匹配项，作为字符串列表。 从左到右扫描该字符串 ，并以找到的顺序返回匹配项。 如果模式中存在一个或多个组，则返回一个组列表；否则，返回一个列表。 如果模式包含多个组，则这将是一个元组列表。 空匹配项将包括在结果中，除非它们碰到另一个匹配项的开头。

在这一点上，我们希望找到文档中每个单词的出现频率。 此处使用的合适概念是Python的Dictionaries ，因为我们需要key-value对，其中key是word ，并且value表示出现在文档中的频率单词。

假设我们声明了一个空的字典frequency = { } ，则上段如下所示：

for word in match_pattern:
    count = frequency.get(word,0)
    frequency[word] = count + 1

现在，我们可以使用以下命令查看密钥：

frequency_list = frequency.keys()

最后，为了获得单词及其频率（出现在文本文件中的次数），我们可以执行以下操作：

for words in frequency_list:
    print words, frequency[words]

让我们在下一节中将程序放在一起，看看输出是什么样子。

放在一起

在逐步讨论了程序之后，现在让我们看一下程序的外观：

import re
import string
frequency = {}
document_text = open('test.txt', 'r')
text_string = document_text.read().lower()
match_pattern = re.findall(r'\b[a-z]{3,15}\b', text_string)

for word in match_pattern:
    count = frequency.get(word,0)
    frequency[word] = count + 1
    
frequency_list = frequency.keys()

for words in frequency_list:
    print words, frequency[words]

如果您运行该程序，则应该得到如下内容：

让我们回到我们的游戏。 通过频率一词，您认为测试文件（包含我其他Python教程的内容）在谈论什么？

（提示：以最大频率检查单词）。

翻译自: https://code.tutsplus.com/tutorials/counting-word-frequency-in-a-file-using-python--cms-25965