复合数据类型,英文词频统计
Posted mgf69
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了复合数据类型,英文词频统计相关的知识,希望对你有一定的参考价值。
1.列表,元组,字典,集合分别如何增删改查及遍历。
列表:
对列表的数据项进行修改或更新,你也可以使用append()方法来添加列表项;可以使用 del 语句来删除列表的的元素;
元组:
元组可以使用下标索引来访问元组中的值;元组中的元素值是不允许修改的,但我们可以对元组进行连接组合;元组中的元素值是不允许删除的,但我们可以使用del语句来删除整个元组;
字典:
把相应的键放入到方括号中;向字典添加新内容的方法是增加新的键/值对,修改或删除已有键/值对;能删单一的元素也能清空字典,清空只需一项操作,显示删除一个字典用del命令;
集合:
将元素 x 添加到集合 s 中,如果元素已存在,则不进行任何操作;clear()清空集合 s;remove()移除元素;
2.总结列表,元组,字典,集合的联系与区别。参考以下几个方面:
- 括号
- 有序无序
- 可变不可变
- 重复不可重复
- 存储与查找方式
3.词频统计
-
1.下载一长篇小说,存成utf-8编码的文本文件 file
2.通过文件读取字符串 str
3.对文本进行预处理
4.分解提取单词 list
5.单词计数字典 set , dict
6.按词频排序 list.sort(key=lambda),turple
7.排除语法型词汇,代词、冠词、连词等无语义词
- 自定义停用词表
- 或用stops.txt
f = open(‘text1.txt‘,‘r‘, encoding=‘UTF-8‘) str = f.read() f.close() text=str.lower()#转换字符串中所有大写字符为小写 sep = ‘‘‘ ,.!?-" ‘‘‘ for s in sep: text = text.replace(s,‘ ‘)#符号转换空格 text = text.split();#空格分割单词单词 dict={} for word in text: dict[word] = text.count(word)#获取单词数目 exclude={‘the‘,‘and‘,‘of‘,‘to‘,‘a‘,‘in‘,‘was‘,‘she‘,‘her‘,‘had‘,‘that‘,‘it‘,‘with‘,‘i‘,‘mr‘,‘but‘,‘by‘,‘said‘,‘be‘,‘were‘,‘which‘,‘from‘,‘which‘,‘this‘,‘an‘,‘on‘,‘he‘,‘for‘,‘you‘,‘as‘,‘his‘,‘not‘,‘at‘,‘mrs‘}#定义数组 for a in exclude: if a in dict.keys(): dict.pop(a)#排除语法型词汇 word=list(dict.items()) word.sort(key=lambda x:x[1],reverse=True)#降序排序 print(word)#显示结果 import pandas as pd pd.DataFrame(data=word).to_csv(‘text1.csv‘,encoding=‘utf-8‘)#生成csv文件
8.输出TOP(20)
- 9.可视化:词云
排序好的单词列表word保存成csv文件
import pandas as pd
pd.DataFrame(data=word).to_csv(‘big.csv‘,encoding=‘utf-8‘)
线上工具生成词云:
https://wordart.com/create