中文词频统计

Posted 2020-10-09 杜丽晖

 1.下载一中文长篇小说，并转换成UTF-8编码。

2.使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。

3.排除一些无意义词、合并同一词。

4.对词频统计结果做简单的解读

import jieba
txt = open(‘阿Q正传.txt‘,‘r‘,encoding=‘utf-8‘).read()
words=list(jieba.cut(txt))
print(‘列表如下：‘,words)

exp={‘,?!‘}   #创建新的集合

keys=set(words)-exp   #排除无意义词，合并同一词

dic={}
for a in keys:   #只保留两位以上的词
    if len(a)>1:
        dic[a]=words.count(a)
        

c=list(dic.items())   #解读词频
c.sort(key=lambda x:x[1],reverse=True)


for i in range(20):   #输出前20
        print(c[i])

 

通过词频分析，《阿Q正传》是以辛亥革命前后的中国农村为背景，描写未庄流浪雇农阿Q，虽然干起活来“真能做”，但却一无所有，甚至连名姓都被人遗忘的故事。