1引言
本文解决由粉丝提出的问题。
2 问题
我们在使用python函数获取文件后，有时需要对该文件进行词频统计。
本文将通过对英文文件的读取和中文文件的读取进行讲解。
3 方法
一．统计英文文档中的词频
- 统计英文词频的第一步是分解并提取英文文章的单词，同一个单词会存在大小写不同形式，但计数却不能区分大小写，可通过lower()将字母变为小写。
- 文中具有多种标点符合，可通过replace()将特殊字符和标点符号变为空格，再提取单词。
- 定义字典统计单词及其出现次数。
- 将字典转换为列表，并进行排序。
- 出现次数从高到低进行排序并且打印输出。
完整代码：
代码清单 1
代码语言：javascript复制def getText():
txt = open("C:\Users\61483\Desktop\EnglishTest.txt","r",encoding='utf-8').read()
txt = txt.lower() #排除单词大小写影响
for ch in '!"#$%&()* ,-./:;<=>?@[\]^_`{1}~':
txt = txt.replace(ch," ") #排除特殊字符及标点符号的影响
return txt
EnglishTxt = getText()
# print(EnglishTxt)
words = EnglishTxt.split()
counts = {} #统计单词出现次数
for word in words:
counts[word] = counts.get(word,0) 1
items = list(counts.items()) #将字典转换为记录列表
items.sort(key=lambda x:x[1],reverse=True) #进行排序
for i in range(10):
word,count = items[i]
print("{0:<10}{1:>5}".format(word,count)) #从高到低输出出现次数多的前十个单词二.对中文文档进行词频统计
1.安装python第三方库(pip install jieba)
1.1 jieba库的使用
jieba库简介：
Jieba库分词原理是利用一个中文词库，将待分词内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组。除了分词，jieba库还提供增加自定义中文单词的功能。
函数 | 描述 |
|---|---|
jieba.cut(s) | 精确模式，返回一个可迭代的数据类型 |
jieba.cut(s,cut_all=True) | 全模式，输出文本s中所有可能的单词 |
jieba.cut_for_search(s) | 搜索引擎模式，适合搜索引擎建立索引 |
jieba.lcut(s) | 精确模式，返回一个列表类型 |
jieba.lcut(s,cut_all=True) | 全模式，返回一个列表类型 |
jieba.lcut_for_search(s) | 搜索引擎模式，返回一个列表类型 |
jieba.add_word(w) | 向分词词典中增加新词w |
- 使用jieba分词之后，词频统计方法与英文词频统计方法类似，下面展示完整代码。
代码清单 2
代码语言：javascript复制import jieba
txt = open("C:\Users\61483\Desktop\电脑快捷键.txt","r",encoding='utf-8').read()
words = jieba.lcut(txt)
counts = {}
for word in words:
if len(word) == 1:
continue
else:
counts[word] = counts.get(word,0) 1
items = list(counts.items())
items.sort(key=lambda x:x[1],reverse=True)
for i in range(15):
word,count = items[i]
print("{0:<10}{1:>5}".format(word,count))运行效果：
3 结语
本文对利用python读取文件后进行词频统计方法做了讲解，通过读取文件，对jieba库也做了详细的介绍，在与文档类的工作时，jieba库是一个非常好用的第三方库，更多用法可以自行探索学习。
