中文词频统计
Posted 阿无文
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了中文词频统计相关的知识,希望对你有一定的参考价值。
中文分词
- 下载一中文长篇小说,并转换成UTF-8编码。
- 使用jieba库,进行中文词频统计,输出TOP20的词及出现次数。
- 排除一些无意义词、合并同一词。
- 对词频统计结果做简单的解读。
import jieba #读入待分析的字符串 fo=open(\'红楼梦前五十回.txt\',\'r\',encoding=\'utf-8\') str=fo.read() fo.close() #分解提取单词 for i in \'\'\',。?!、:“”‘’"\'-\\n\\u3000\'\'\': str=str.replace(i,\'\') words=list(jieba.cut(str)) #排除语法型词汇 dic={} exp=set([\'\',\'什么\',\'怎么\',\'一个\',\'两个\',\'这里\',\'那里\',\'如今\']) keys=set(words)-exp #创建计数字典 for i in keys: if(len(i)>1): dic[i]=words.count(i) items=list(dic.items()) #排序 items.sort(key=lambda x:x[1],reverse=True) #输出TOP(20) print(\'输出TOP20:\') for i in range(20): print(items[i])
足以看出红楼梦中的主角以宝玉、贾母、凤姐、王夫人、老太太和黛玉为主,并有多次众人相聚聊天。
以上是关于中文词频统计的主要内容,如果未能解决你的问题,请参考以下文章