python中文分词和词频统计如何实现

这篇文章主要介绍“python中文分词和词频统计如何实现”，在日常操作中，相信很多人在Python中文分词和词频统计如何实现问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”python中文分词和词频统计如何实现”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

一、文本导入

我准备了一个名为abstract.txt的文本文件

接着是在网上下载了stopWord.txt(用于结巴分词时的停用词)

有一些是自己觉得没有用加上去的 

另外建立了自己的词典extraDict.txt

准备工作做好了，就来看看怎么使用吧！

二、使用步骤

1.引入库

代码如下：

import jiebafrom jieba.analyse import extract_tagsfrom sklearn.feature_extraction.text import TfidfVectorizer

2.读入数据

代码如下：

jieba.load_userdict('extraDict.txt')  # 导入自己建立词典

3.取出停用词表

def stopwordlist():    stopwords = [line.strip() for line in open('chinesestopwords.txt', encoding='UTF-8').readlines()]    # ---停用词补充,视具体情况而定---    i = 0    for i in range(19):        stopwords.append(str(10 + i))    # ----------------------     return stopwords

4.分词并去停用词（此时可以直接利用python原有的函数进行词频统计）

def seg_word(line):    # seg=jieba.cut_for_search(line.strip())    seg = jieba.cut(line.strip())    temp = ""    counts = {}    wordstop = stopwordlist()    for word in seg:        if word not in wordstop:            if word != ' ':                temp += word                temp += '\n'                counts[word] = counts.get(word, 0) + 1#统计每个词出现的次数    return  temp #显示分词结果    #return str(sorted(counts.items(), key=lambda x: x[1], reverse=True)[:20])  # 统计出现前二十最多的词及次数

5. 输出分词并去停用词的有用的词到txt

def output(inputfilename, outputfilename):    inputfile = open(inputfilename, encoding='UTF-8', mode='r')    outputfile = open(outputfilename, encoding='UTF-8', mode='w')    for line in inputfile.readlines():        line_seg = seg_word(line)        outputfile.write(line_seg)    inputfile.close()    outputfile.close()    return outputfile

6.函数调用

if __name__ == '__main__':    print("__name__", __name__)    inputfilename = 'abstract.txt'    outputfilename = 'a1.txt'    output(inputfilename, outputfilename)

7.结果  

附：输入一段话，统计每个字母出现的次数

先来讲一下思路：

例如给出下面这样一句话

Love is more than a word
it says so much.
When I see these four letters,
I almost feel your touch.
This is only happened since
I fell in love with you.
Why this word does this,
I haven’t Got a clue.

那么想要统计里面每一个单词出现的次数，思路很简单，遍历一遍这个字符串，再定义一个空字典count_dict，看每一个单词在这个用于统计的空字典count_dict中的key中存在否，不存在则将这个单词当做count_dict的键加入字典内，然后值就为1，若这个单词在count_dict里面已经存在，那就将它对应的键的值+1就行

下面来看代码：

#定义字符串sentences = """           # 字符串很长时用三个引号Love is more than a wordit says so much.When I see these four letters,I almost feel your touch.This is only happened sinceI fell in love with you.Why this word does this,I haven't got a clue."""#具体实现#  将句子里面的逗号去掉,去掉多种符号时请用循环，这里我就这样吧sentences=sentences.replace(',','')   sentences=sentences.replace('.','')   #  将句子里面的.去掉sentences = sentences.split()         # 将句子分开为单个的单词，分开后产生的是一个列表sentences# print(sentences)count_dict = {}for sentence in sentences:    if sentence not in count_dict:    # 判断是否不在统计的字典中        count_dict[sentence] = 1    else:                              # 判断是否不在统计的字典中        count_dict[sentence] += 1for key,value in count_dict.items():    print(f"{key}出现了{value}次")

输出结果是这样：

到此，关于“python中文分词和词频统计如何实现”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注编程网网站，小编会继续努力为大家带来更多实用的文章！