中文词频统计
中文分词
- 下载一中文长篇小说,并转换成UTF-8编码。
-
b=open('book.txt','r',encoding='utf-8') book=b.read() b.close()
- 使用jieba库,进行中文词频统计,输出TOP20的词及出现次数。
import jieba b=open('book.txt','r',encoding='utf-8') book=b.read() b.close() for i in ',。、!; )“”·)?:……[(-': book=book.replace(i,' ') books=jieba.cut(book) ex={'的','他','她','地','吧','咱们'} ke=set(books)-ex dic={} for w in ke: if len(w)>1: dic[w]=book.count(w) wc=list(dic.items()) wc.sort(key=lambda x:x[1],reverse=True) for i in range(20): print(wc[i])
- 排除一些无意义词、合并同一词。
ex={'的','他','她','地','吧','咱们'} ke=set(books)-ex dic={} for w in ke: if len(w)>1: dic[w]=book.count(w) wc=list(dic.items()) wc.sort(key=lambda x:x[1],reverse=True)
4.对词频统计结果做简单的解读。
老舍的《茶馆》,是一篇茶馆故事,主要人物为王利,围绕一些人物在茶馆发生的事……