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。

   #读取小说，转换成utf-8编码
   import jieba
   a=open('朝花夕拾.txt','r',encoding='utf-8').read()
   
   #分隔符'.,:;?!-_"’
   for i in '，。！？“”、：《》()…-；':
       a=a.replace(i,'')
   
   #分隔--精确模式
   sw=list(jieba.cut(a))
   
   #中文词频统计
   d={}
   s=set(sw)
   exc={'\ufeff','\n'}
   s=s-exc
   
   #排除一些无意义词、合并同义词
   for i in s:
      if len(i)>1:
          d[i]=sw.count(i)   #排除长度小于1的词
   s=list(d.items())
   s.sort(key=lambda x:x[1],reverse=True)
   
   #输出TOP20
   for i in range(20):
       print(s[i])

   
   

   所选小说是鲁迅所写的朝花夕拾里的其中3个小故事，都是作者小时候发生的有趣的事情。