怎样用Excel做关键词的词频统计

Posted 2023-04-11

有大量关键词需要分析，要做到二项集

1.先说中文词频统计，网上有不少半成品的软件或工具，如ROST系列ROSTCM6，ROST WordParser等，还有MyZiCiFreq及Excel版本的“词频分析工具@Excel大全”，除此之外其他免费的词频统计软件基本就是花瓶。

2.这些软件都可以在网上下载下来。

3.其中，Rostcm6功能强大，但可惜已经不再更新。excel版本的词频统计功能简洁明了，容易上手。

4.由于目前这些免费的中文词频统计软件大都只能统计TXT文本文档，所以如果手头是PDF之类文件的话，需要先PDF转TXT，这时候需要一些工具或技巧，可以到百度经验中搜索具体办法。

参考技术A

用excel做词频统计的方法如下：

把你要统计的每条内容放在一列下，上面起名词频，然后直接做透视或者合并计算 不过我认为透视简单 合并对格式要求高。

参考技术B 每两个关键词出现的次数？
这要VBa了吧？追问

就是用Excel构建共词矩阵，大神可以帮忙吗？

追答

逐一比较的话，VBA也会很慢啊。

奇怪，采纳的公式只查找一个关键字，并没有查找两个关键字啊。更何况是每两个，这又涉及到组合了吧？

参考技术C 请上传带行号列标的表格截图，并说明你的要求。追问

统计每个关键词出现的次数，统计两两关键词出现的次数。这只是一小部分数据，有大量的数据要统计

追答

每个关键词出现的次数
假设数据区域为A1:F100，G1为关键字
=SUMPRODUCT(LEN(A1:F100)-LEN(SUBSTITUTE(A1:F100,G1,)))/LEN(A1)

追问

方便留下邮箱，我把数据给你，你帮我操作吗？

追答

397525753

本回答被提问者和网友采纳 参考技术D 具体一点吧，给个简单的例子和你想要的结果追问

就是利用Excel构建共词矩阵，数据如下

Python3 利用openpyxl 以及jieba 对帖子进行关键词抽取——对抽取的关键词进行词频统计

Python3 利用openpyxl 以及jieba 对帖子进行关键词抽取 ——对抽取的关键词进行词频统计

20180413学习笔记

一、工作

前天在对帖子的关键词抽取存储后，发现一个问题。我似乎将每个关键词都存到分离的cell中，这样在最后统计总词频的时候，比较不好处理。于是，上回的那种样式：

是不行的，应该把它们放到同一列（行）中，组装成一个list或tuple再进行词频统计。

1.读取输出文件“t1.xlsx”

wr2=load_workbook(‘t1.xlsx‘)
cursheet=wr2.active #当前表单

2.将表格中的所有数据读到L[]中

已将前面的只有十个数据的"biao.xlsx"换成有300多条帖子的"biao2.xlsx"

L=[]
for row in cursheet.rows:
    for cell in row:
        L.append(cell.value)

输出看看：

未完

这样看整体效果不错。

3.词频统计

利用Counter函数对L进行词频统计。

需要导入Counter from collections import Counter

#新开一个xlsx文件，将词频统计结果写入
ww2=Workbook()
sheet3 =ww2.active
sheet3.title="statis"

#Counter返回的的是一个dict
LC=Counter(L)

输出看看：

#但是这样存储起来无法使用，所以需要排一下序，sorted返回的是一个二维list
LC2=sorted(LC.items(),key=lambda d:d[1],reverse=True)

输出看看：

为了将二维数组中的每个元素，分别存储在excel表格中的两列，需要将的元素拆开。于是我找到了Python3的相关文档：

https://docs.python.org/2/tutorial/datastructures.html#list-comprehensions

将其一层层分离：

#用n来计数，奇数存储（str,num)中的前面字符串，偶数存储后面的出现次数，感觉这样做很蠢。。。但是暂时还不能像c那样熟练地使用
c1=1
for k in LC2:
    n=1
    for v in k:
        if n%2==1:
            sheet3["A%d" % c1].value=v
            n=n+1
        else:
            sheet3["B%d" % c1].value=v
    c1=c1+1
    
ww2.save(‘sta.xlsx‘)

我们来看看效果吧：

那么总体是完成了。

二、总结反思

很明显，虽然统计词频是完成了，但是感觉效果一般。尤其是在记录词汇的时候，将一些无干的词一起统计进来了。比如莫名其妙的“http”,还有其他英文，可能是爬下来的网友的名字之类的，在标注的时候过多的引用与其相关的帖子，导致出现频率过高。另外还有一些空白的符号，jieba为什么会把这种空白符当成词，奇怪。。。

三、接下来的任务

接下来的工作是对统计的词，进行处理分析。利用正则表达式，过滤出我们所需要的中文词汇，再统计一次，应该就可以了。

剩下的就是机器学习的内容了。