中文词频统计

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
book=open('F:\\xiyouji.txt','r',encoding='utf-8')

#读入待分析的字符串
str=book.read()
book.close()

for i in '，。！、   \n “ ” ；':
    str=str.replace(i,'')

words=jieba.cut(str)
word=set(words)

#计数字典 
dic={}
for i in word:
    if len(i)>1:
        dic[i]=str.count(i)
str=list(dic.items())

#排序
str.sort(key=lambda x:x[1],reverse=True)
for i in range(20):
    print(str[i])

从词频统计结果出来可以看出此小说是西游记，主要人物有唐僧，八戒等，讲述他们取西经的过程。