python四级词频统计_Python英文文章词频统计(14份剑桥真题词频统计)

Python剑桥真题词频统计

最好还是要学以致用，自主搜集了19年最近的14份剑桥真题之后，通过Python提供的jieba第三方库，对所有的文章信息进行了词频统计，并选择性地剔除了部分简易词汇，比如数字，普通冠词等，博主较懒，未清楚干净。

Python代码如下：

import jieba

# 以只读方式打开text(即真题库)

text = open('text.txt', 'r', encoding = 'utf-8').read()

# len(text)

#统一为小写

text = text.lower()

# 需要剔除的词汇列表，也可以用记事本的形式，添加一个打开记事本的语句即可

# 即 stwlist = [line.strip() for line in open 'stopwords.txt',encoding='utf-8').readlines()]

# 这里使用列表

stwlist = ['the','a','of','to','end','in','you','is','that','for','on','it','as','your','...','14',

'this','or','20','40','27','30','13','21','26','10','15','22',

'32','31','1','2','4','5','6','7','8','9','0','10','11','12','13',

'12','13','15','16','17','25','33','35','36','18','23','19','24',

'38','29','34','37','000','...............................']

# 先进行分词

words = jieba.cut(text, cut_all = False, HMM = True)

#cut_all:是否采用全模式

#HMM：是否采用HMM模型

word_ = {}

for word in words:

if (word.strip() not in stwlist):

if len(word) > 1:

if word != '\t':

if word != '\r\n':

# 计算词频

if word in word_:

word_[word] += 1

else:

word_[word] = 1

# 将结果保存为元组

word_freq = []

for word, freq in word_.items():

word_freq.append((word, freq))

# 降序排列

word_freq.sort(key = lambda x:x[1], reverse = True)

#输出前3500个词汇

for i in range(3500):

word, freq = word_freq[i]

print('{0:10}{1:5}'.format(word, freq))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: Python英文文章词频统计(14份剑桥真题词频统计)

本文地址: http://www.cppcns.com/jiaoben/python/280832.html