中文词频统计

Posted 2020-10-09 学无止境真难

中文分词

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(\'11处特工皇妃.txt\',\'r\',encoding=\'utf-8\').read()
   words=list(jieba.cut(txt))
   
   exp={\' \',\'，\',\'。\',\'”\',\'“\',\'：\',\'\\n\',\'?\',\'？\',\'！\',\'来\',\'对\',\'又\',\'吗\',\'很\',\'一\',\'下\',\'会\',\'道\',\'要\',\'而\',\'还\',\'将\',\'被\',\'去\',\'说\',\'那\',\'这\',\'的\',\'你\',\'我\',\'他\',\'啊\',\'哦\',\'了\',\'在\',\'是\',\'她\',\'着\',\'就\',\'也\',\'都\',\'人\',\'不\',\'上\',\'和\',\'有\',\'却\'}
   
   keys=set(words)
   keys=keys-exp
   
   dic={}
   for w in keys:
       dic[w]=words.count(w)
   
   wc=list(dic.items())
   wc.sort(key=lambda x:x[1],reverse=True)
   for i in range(20):
       print(wc[i])