Python学习笔记（七）：jieba库的使用+文本词频统计 |
您所在的位置：网站首页 › teaccer对应词 › Python学习笔记（七）：jieba库的使用+文本词频统计 |
Python学习笔记（七）：jieba库的使用+文本词频统计
|
目录 1. jieba库 1.1 jieba分词的三种模式 1.2 jieba库常用函数 2. 文本词频统计 2.1 "Hamlet英文词频统计”实例 2.2 “《三国演义》人物出场统计”实例 1. jieba库-是中文分词的第三方库，需要额外安装 安装方式：(cmd命令行） pip install jieba -提供三种分词模式，最简单只需掌握一个函数 -利用一个中文词库，确定汉字之间的关联概率 -汉字间概率大的组成词组，形成分词结果 -用户可添加自定义的词组 1.1 jieba分词的三种模式精确模式：把文本精确的切分开，不存在冗余单词（最常用） 全模式：把文本中所有可能的词语都扫描出来，有冗余 搜索引擎模式：在精确模式的基础上，对长词再次切分 1.2 jieba库常用函数重点：jieba.lcut(s)
文本来源：https://python123.io/resources/pye/hamlet.txt 编程思路： ① 定义函数对文本进行归一化处理：统一小写，去掉特殊符号换成空格 ② 用字典类型对每个单词以及出现的次数机型映射对应 ③ 将字典类型转换为列表类型，排序获得当前出现次数最高的单词和次数 ④ 对前十位出现的单词和次数进行打印 #CalHamlet def getText(): #获取一个文本的具体信息，对其归一化处理 txt=open("hamlet.txt","r").read() txt=txt.lower() #将文本中所有字母小写，避免大小写的干扰 for ch in '!"#$%&()*+,-./:;?@[\\]^_‘{|}~': txt=txt.replace(ch," ") #将特殊符号用空格代替 return txt hamletTxt=getText() words=hamletTxt.split() #将其变为一个列表 #split默认采用空格将字符串中的信息进行分隔，并以列表形式返回给变量 #采用字典类型表达单词跟出现频率之间的对应关系 counts={} for word in words: counts[word]=counts.get(word,0)+1 #字典的.get()用来从字典中获得某一个键对应的值 #若word在字典里面，则返回其次数再加1；若不在，则将其加入字典，赋给其0再加1 #统计完后，将字典类型转变为列表类型 items=list(counts.items()) items.sort(key=lambda x:x[1],reverse=True) #.sort()参数lambda用来指定使用哪一个多元选项的列作为排序列 #默认是从小到大排序，设置reverse=True,返回的排序是从大到小 #按照键值对两个元素的第二个元素进行排序 #输出前十个出现最多的单词及其次数打印 for i in range(10): word,count=items[i] print("{0:5}".format(word,count)) 2.2 “《三国演义》人物出场统计”实例文本来源：https://python123.io/resources/pye/threekingdoms.txt 代码一： #CalThreekingdoms import jieba txt=open("threekingdoms.txt","r",encoding="utf-8").read() words=jieba.lcut(txt) #形成列表 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("{0:5}".format(word,count))运行结果：不够准确，出现“二人”“孔明曰”等的统计
代码二： #CalThreekingdoms import jieba txt=open("threekingdoms.txt","r",encoding="utf-8").read() #构建不应被统计单词的集合 excludes={"将军","却说","荆州","二人","不可","不能","如此"} words=jieba.lcut(txt) #形成列表 counts={} #对人名进行关联 for word in words: if len(word)==1: continue elif word=="诸葛亮" or word=="孔明曰": rword="孔明" elif word=="关公" or word=="云长": rword="关羽" elif word=="玄德" or word=="玄德曰": rword="刘备" elif word=="孟德" or word=="丞相": rword="曹操" else: rword=word counts[rword]=counts.get(rword,0)+1 for word in excludes: del counts[word] items=list(counts.items()) items.sort(key=lambda x:x[1],reverse=True) for i in range(15): word,count=items[i] print("{0:5}".format(word,count))运行结果：还需要根据结果继续修正
|
【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |