Python——词频统计（英文+中文）

首先这里打开文件的时候要注意文件的编码问题！！！

英文的词频统计：

这里需要把《哈莫雷特》中出现的次数最多的单词（前十）打印出来

在英文中，不同的单词都是有明显的分隔的，有的是以空格分隔，有的是以逗号分隔......

这里我们需要把不同的单词分隔出来，所以我们要把所有可以用来分隔单词的符号都转换成空格，这样我们在分隔不同的单词的时候就只需要按空格分隔就可以了。

另外，单词有的是大写，有的是小写，所以我们这里需要把所有的单词的大小写统一一下。

#CalHamletV1.py
def getText():
    txt = open("hamlet.TXT", "r", encoding='UTF-8').read()#打开文件
    txt = txt.lower()#全部转成小写
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':
        txt = txt.replace(ch, " ")   #将文本中特殊字符替换为空格
    return txt

hamletTxt = getText()
words  = hamletTxt.split()
counts = {}
for word in words:
    counts[word] = counts.get(word,0) + 1
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)#排序
for i in range(10):
    word, count = items[i]
    print ("{0:<10}{1:>5}".format(word, count))

 

中文的词频统计：

这里需要把《三国演义》中出现的次数最多的人名（前十）打印出来

这里中文的分词和英文的是不一样的，英文有很明显 的符号进行区分，可是中文没有，所以这里就需要用到 Python中的第三方库  jieba库  来对中文文本进行分词

首先需要安装 jieba库

pip install jieba

然后 就可以直接使用jieba库 了

#CalThreeKingdomsV1.py
import jieba
txt = open("三国演义.txt", "r", encoding='utf-8').read()
words  = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    else:
        counts[word] = counts.get(word,0) + 1
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))

这里可以看到，这里只做了词频统计。在出现次数前十的词语中有一些不是人名的，还有一些事重复的，所以在这里 就需要在词频统计的基础上面向问题，改造我们的程序。

#CalThreeKingdomsV2.py
import jieba
excludes = {"将军","却说","荆州","二人","不可","不能","如此"}
txt = open("三国演义.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"
    else:
        rword = word
    counts[rword] = counts.get(rword,0) + 1
for word in excludes:
    del counts[word]
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))

这里还不是完整的，还需要不断的运行程序，来使结果满足我们的要求