Python中怎么实现词频统计功能
这篇文章将为大家详细讲解有关Python中怎么实现词频统计功能,文章内容质量较高,因此小编分享给大家做个参考,希望大家阅读完这篇文章后对相关知识有一定的了解。
专注于为中小企业提供成都网站建设、网站设计服务,电脑端+手机端+微信端的三站合一,更高效的管理,为中小企业建始免费做网站提供优质的服务。我们立足成都,凝聚了一批互联网行业人才,有力地推动了超过千家企业的稳健成长,帮助中小企业通过网站建设实现规模扩充和转变。
数据准备
import jieba with open("D:/hdfs/novels/天龙八部.txt", encoding="gb18030") as f: text = f.read() with open('D:/hdfs/novels/names.txt', encoding="utf-8") as f: for line in f: if line.startswith("天龙八部"): names = next(f).split() break for word in names: jieba.add_word(word) # 加载停用词 with open("stoplist.txt", encoding="utf-8-sig") as f: stop_words = f.read().split() stop_words.extend(['天龙八部', '\n', '\u3000', '目录', '一声', '之中', '只见']) stop_words = set(stop_words) all_words = [word for word in cut_word if len(word) > 1 and word not in stop_words] print(len(all_words), all_words[:20])
结果:
216435 ['天龙', '释名', '青衫', '磊落', '险峰', '行玉壁', '月华', '明马', '疾香', '幽崖', '高远', '微步', '生家', '子弟', '家院', '计悔情', '虎啸', '龙吟', '换巢', '鸾凤']
统计词频排名前N的词
原始字典自写代码统计:
wordcount = {} for word in all_words: wordcount[word] = wordcount.get(word, 0)+1 sorted(wordcount.items(), key=lambda x: x[1], reverse=True)[:10]
使用计数类进行词频统计:
from collections import Counter wordcount = Counter(all_words) wordcount.most_common(10)
结果:
使用pandas进行词频统计:
pd.Series(all_words).value_counts().head(10)
分词过程中直接统计词频
Pandas只能对已经分好的词统计词频,所以这里不再演示。上面的测试表示,Counter直接对列表进行计数比pyhton原生带快,但循环中的表现还未知,下面再继续测试一下。
首先使用原生API直接统计词频并排序:
%%time wordcount = {} for word in jieba.cut(text): if len(word) > 1 and word not in stop_words: wordcount[word] = wordcount.get(word, 0)+1 print(sorted(wordcount.items(), key=lambda x: x[1], reverse=True)[:10])
结果:
[('段誉', 2496), ('说道', 2151), ('虚竹', 1633), ('萧峰', 1301), ('武功', 1095), ('阿紫', 922), ('阿朱', 904), ('乔峰', 900), ('王语嫣', 877), ('慕容复', 871)] Wall time: 6.04 s
下面我们使用Counter统计词频并排序:
%%time wordcount = Counter() for word in jieba.cut(text): if len(word) > 1 and word not in stop_words: wordcount[word] += 1 print(wordcount.most_common(10))
结果:
[('段誉', 2496), ('说道', 2151), ('虚竹', 1633), ('萧峰', 1301), ('武功', 1095), ('阿紫', 922), ('阿朱', 904), ('乔峰', 900), ('王语嫣', 877), ('慕容复', 871)] Wall time: 6.21 s
关于Python中怎么实现词频统计功能就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。
当前题目:Python中怎么实现词频统计功能
浏览路径:http://myzitong.com/article/jdjhos.html