中英文词频统计（MATLAB）

中英文词频统计（MATLAB）

1. 英文词频统计

英文词频统计很简单，只需借助split断句，再统计即可。

完整MATLAB代码：

function wordcount
%思路：中文词频统计涉及到对“词语”的判断，需要导入词典或编写判断规则，很复杂。
%最简单的办法是直接统计英文词频，并由空格直接划分词语。然后再翻译即可得到中文词频。

%从官方网站上下载的pdf，转成reportfulltext.txt，存到workspace进行操作 全文共25003个字符。

clc;
clear;
report=fileread('reportfulltext.txt'); %读入全文
report=regexprep(report,'\W',' '); %不是字符的，都转换为空格。主要是去除标点符号
report=lower(report); %变成小写
words=regexp(report,' ','split')'; %根据空格分隔为单词cell

%至此每个单词都拿出来了

rank = tabulate(words); %rank是三列向量，包括名称，出现次数和百分比
ans=sortrows(rank,-2); %只根据第二列进行排序 -2表示降序

xlswrite('results',ans);%输出为excel文件
end

2. 中文词频统计

中文词频统计相对复杂一些。关键在于：

• 使用合适的语料库

• 从长到短，匹配词语。比如句中出现了“计算机”三字词，我们应该将三个字视为一个词，而不能把“计算”当做一个词。

function wordcountchinese
clc;
clear;
report=fileread('reportchinese.txt'); %读入中文报告，事先已放在工作区

%% dictionary.mat是一个我事先准备好的列向量
%其中dict是14636*1的字典列向量，从网上下载的官方语料库转换得到的
load dictionary.mat;
Maxlen=max(cellfun(@length,dict)); %最大词长，结果是10

%% 按标点初步分词
cut='[\，\。\、\；\：\！\？\“\”\‘\’\（\）\《\》\<\>\……\·]'; %标点符号的正则表达式
F=regexp(report,cut,'split')'; %转置，变成3131*1的列向量

% 此时，待分析的句集F和词典都已就绪

%% 算法原理
% 首先判断是否为有效句：句长是否大于0。小于0的不操作，相当于跳过
% 若是有效句，计算句长和最大词长Maxlen的最小值maxlen。待选字串长度不能大于该长度
% 从maxlen长度开始，取出待选字串
% 匹配，成功就输出，标记。若成功，平移maxlen个单位；若不成功，平移1个单位
% 选出下一个待选字串再匹配，重复操作，直到移动到句长以外
% 如果上一个长度匹配成功，那么就不用再匹配了，该句跳过；如果meet==0，重复上一步操作
% 长度maxlen减到1，也要匹配，因为词库中有一个字的词；maxlen==0是终止信号。

%% 最大匹配法进一步分词
sentence=[]; %是粗分后F中的每一个元素
word=[];
words={};
k=1;

for i=1:length(F) %遍历F
    sentence=cell2mat(F(i,1)); %把cell转换成字符串
    sentence_len=length(sentence); %求出句长
    meet=0; %更新初始状态

    if(sentence_len>0) %有效句
        maxlen=min(Maxlen,sentence_len);
        while(maxlen>0)
            start=1;
            while((start+maxlen)<=sentence_len)  %索引不能移动到句子外面
                word=sentence(start:start+maxlen);
                if(ismember(word,dict))%如果匹配成功
                    meet=1;
                    words(k)=cellstr(word);
                    k=k+1;
                    start=start+maxlen; %移动maxlen个单位再匹配
                else
                    start=start+1; %移动一个单位再匹配
                end
            end
            %已经移动到句子外面了
            if(meet==0)
                maxlen=maxlen-1;
            else
                break;
            end
        end
    end
    %无效句，句长为0，不处理，直接跳过
end

%% 排序处理
rank = tabulate(words); %rank是三列向量，包括名称，出现次数和百分比
ANS=sortrows(rank,-2); %只根据第二列进行排序 -2表示降序

xlswrite('resultschinese',ANS(1:50,1:3));%输出为excel文件 由于词语将近1777个，因此只输出前100个
end

十九大中文版报告统计结果：