Python读取文件后进行词频统计

Posted 2021-12-20 算法与编程之美

1引言

本文解决由粉丝提出的问题。

2 问题

我们在使用python函数获取文件后，有时需要对该文件进行词频统计。

本文将通过对英文文件的读取和中文文件的读取进行讲解。

3 方法

一．统计英文文档中的词频

1. 统计英文词频的第一步是分解并提取英文文章的单词，同一个单词会存在大小写不同形式，但计数却不能区分大小写，可通过lower()将字母变为小写。

2. 文中具有多种标点符合，可通过replace()将特殊字符和标点符号变为空格，再提取单词。
   

3. 定义字典统计单词及其出现次数。

4. 将字典转换为列表，并进行排序。
   

5. 出现次数从高到低进行排序并且打印输出。

完整代码：

代码清单 1

def getText():    txt = open("C:\\\\Users\\\\61483\\\\Desktop\\\\EnglishTest.txt","r",encoding='utf-8').read()    txt = txt.lower()    #排除单词大小写影响 for ch in '!"#$%&()*+,-./:;<=>?@[\\\\]^_`1~':        txt = txt.replace(ch," ")    #排除特殊字符及标点符号的影响 return txt EnglishTxt = getText() # print(EnglishTxt) words = EnglishTxt.split() counts =          #统计单词出现次数 for word in words:    counts[word] = counts.get(word,0) + 1 items = list(counts.items())             #将字典转换为记录列表 items.sort(key=lambda x:x[1],reverse=True)   #进行排序 for i in range(10):    word,count = items[i] print("0:<101:>5".format(word,count))    #从高到低输出出现次数多的前十个单词

二.对中文文档进行词频统计

1.安装python第三方库(pip install jieba)

1.1 jieba库的使用

jieba库简介：

Jieba库分词原理是利用一个中文词库，将待分词内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组。除了分词，jieba库还提供增加自定义中文单词的功能。

函数	描述
jieba.cut(s)	精确模式，返回一个可迭代的数据类型
jieba.cut(s,cut_all=True)	全模式，输出文本s中所有可能的单词
jieba.cut_for_search(s)	搜索引擎模式，适合搜索引擎建立索引
jieba.lcut(s)	精确模式，返回一个列表类型
jieba.lcut(s,cut_all=True)	全模式，返回一个列表类型
jieba.lcut_for_search(s)	搜索引擎模式，返回一个列表类型
jieba.add_word(w)	向分词词典中增加新词w

1. 使用jieba分词之后，词频统计方法与英文词频统计方法类似，下面展示完整代码。

代码清单 2

import jieba txt = open("C:\\\\Users\\\\61483\\\\Desktop\\\\电脑快捷键.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(15):    word,count = items[i] print("0:<101:>5".format(word,count))

运行效果：

3 结语

本文对利用python读取文件后进行词频统计方法做了讲解，通过读取文件，对jieba库也做了详细的介绍，在与文档类的工作时，jieba库是一个非常好用的第三方库，更多用法可以自行探索学习。

实习编辑：王晓姣

稿件来源：深度学习与文旅应用实验室（DLETA）