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。

5. import jieba
   
   #读入待分析的字符串
   fo=open(‘test.txt‘,‘r‘,encoding=‘utf-8‘)
   news=fo.read()
   fo.close()
   
   
   #分解提取单词 
   for i in ‘‘‘，。？！、:“”‘’"‘-\n\u3000‘‘‘:
       news=str.replace(i,‘‘)
   words=list(jieba.cut(news))
   
   #排除语法型词汇
   dic={}
   exp=set([‘‘,‘。‘,‘年‘,‘月‘,‘日‘,‘电讯‘,‘新华社‘,‘这里‘])
   keys=set(words)-exp 
   
   #创建计数字典
   for i in keys:
       if(len(i)>1):
           dic[i]=words.count(i)    
   items=list(dic.items()) 
   
   #排序
   items.sort(key=lambda x:x[1],reverse=True)
   
   #输出TOP(20)
   print(‘输出TOP20:‘)
   for i in range(20):
       print(items[i])

   

6.   这则新闻主要讲的是再新时期中国应创造更多具有时代精神的，反应广大人民生活的优秀作品。

中文词频统计

原文：http://www.cnblogs.com/xyjie/p/7612539.html