中文词频统计

Posted 2020-10-09 朱茵茵

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。

import jieba
txt=open(\'test.txt\',\'r\',encoding=\'utf-8\').read()
words=list(jieba.cut(txt))
exc={\'虽然\',\'我们\',\'可是\',\'自己\',\'他们\',\'一个\',\'那些\',\'东西\'}
keys=set(words)
keys=keys-exc
dic={}#定义一个空字典
for i in keys:
    if len(i)==1:
        continue
    else:
        dic[i]=words.count(i)
wc=list(dic.items())
wc.sort(key=lambda x:x[1],reverse=True)#排序
for i in range(10):
    print(wc[i])

 

4、对词频统计结果做简单的解读。

 

 解读：从上图可以看出《孔乙己》短篇小说的主人公叫孔乙己与酒店的掌柜，文章有侧重于外貌描写，如长衫，样子等词；

主要以对话形式，大部分是说道

发生的地点在酒店里的柜台

消费的产品是茴香豆，孔乙己应该是斤斤计较的人，数过茴香豆是十九个，与掌柜讨价还价希望能打折。