【初学python】实例九:词频统计

今天我们来统计一下一本书里面的一些关键字。
这里首先忽略了一个问题:这是一本什么书?中文?还是英文?
如果是英文,我们要解决的问题有很多:比如说大小写问题,标点符号问题等等,首先我们在网上下载一个全英的TXT文本(这里以莎士比亚的哈姆雷特为蓝本),然后我们给出代码:

#实例9:词频统计
def gettext():
    txt = open("471228.txt","r",encoding="utf-8").read()
    txt = txt.lower()
    for ch in '|\/*-+.!@#$%^&*()''/.,?><"~`':
        txt = txt.replace(ch," ")
    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)
for i in range(10):
    word,count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

运行效果:
在这里插入图片描述
类似的,我们给出中文版式的名著《三国演义》,要求统计人物姓名的出场次数,相比于英文版,这个比较简单,因为不存在大小写问题,这里我们引入了一个非常优秀的第三方库函数:jieba,如果我们按照上面的格式来编程:

#实例9:词频统计
import jieba
txt = open("三国演义.txt","r",encoding = "gb18030").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(15):
    word,count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

运行效果确是这样的:
在这里插入图片描述
我们发现:这里的很多词并不是人名,因此我们需要对程序进行改进:
1.将前十以内的不是人名的剔除
2.将同一个人的不同称呼与这个人相关联
于是 2.0 版本正式诞生:

#实例9:词频统计
import jieba
txt = open("三国演义.txt","r",encoding = "gb18030").read()
excludes = {"将军","却说","荆州","二人","不可","不能","如此","商议","如何","主公","军士","吕布","左右","军马","引兵","次日","大喜","天下","东吴","于是","不敢","人马","都督","一人","魏兵","陛下","今日"}
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 == "关云长":
        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))

运行结果:重磅发布!三国演义前十名英雄人物!
在这里插入图片描述
同样的:
《西游记》呢?
《红楼梦》呢?
留给你做思考呦

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值