中文词频统计

Posted 2020-10-09 刘大哈哈

中文分词

1. 下载一中文长篇小说，并转换成UTF-8编码。

2. b=open(\'book.txt\',\'r\',encoding=\'utf-8\')
   book=b.read()
   b.close()

3. 使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。

   import jieba
   b=open(\'book.txt\',\'r\',encoding=\'utf-8\')
   book=b.read()
   b.close()
   
   for i in \'，。、！； )“”·）？：……［（－\':
       book=book.replace(i,\' \')
   books=jieba.cut(book)
   
   ex={\'的\',\'他\',\'她\',\'地\',\'吧\',\'咱们\'}
   ke=set(books)-ex
   
   dic={}
   for w in ke:
       if len(w)>1:
           dic[w]=book.count(w)
   wc=list(dic.items())
   wc.sort(key=lambda x:x[1],reverse=True)
   
   for i in range(20):
       print(wc[i])

4. 排除一些无意义词、合并同一词。

   ex={\'的\',\'他\',\'她\',\'地\',\'吧\',\'咱们\'}
   ke=set(books)-ex
   
   dic={}
   for w in ke:
       if len(w)>1:
           dic[w]=book.count(w)
   wc=list(dic.items())
   wc.sort(key=lambda x:x[1],reverse=True)

  4.对词频统计结果做简单的解读。

老舍的《茶馆》，是一篇茶馆故事，主要人物为王利，围绕一些人物在茶馆发生的事……