中文词频统计

Posted 2020-10-09 056林锋

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。

#载入短片小说并转换成utf-8编码
import jieba
txt=open(‘西游记.txt‘,‘r‘,encoding=‘UTF-8‘).read()
words=list(jieba.cut(txt))

#除去语法词汇
dic={}
exp={‘的‘,‘了‘,‘“‘,‘”‘,‘在‘,‘对‘,‘。‘,‘!‘,‘?‘}
keys=set(words)-exp

# 创建计数字典
for i in keys:
    if len(i)>1:
        dic[i]=words.count(i)
la=list(dic.items())
la.sort(key=lambda x:x[1],reverse=True)#排序

#输出前词频前20的效果
for i in range(20):
    print(la[i])