python 统计词频,python wordcount 词频统计
墨初 知识笔记 99阅读
目录
1. 单句的词频统计
2. 文章的词频统计
方法一运用集合去重方法
方法二运用字典统计
方法三使用计数器
词频统计是自然语言处理的基本任务针对一段句子、一篇文章或一组文章统计文章中每个单词出现的次数在此基础上发现文章的主题词、热词。
1. 单句的词频统计思路首先定义一个空字典my_dict然后遍历文章或句子针对每个单词判断是否在字典my_dict的key中不存在就将该单词当作my_dict的key并设置对应的value值为1若已存在则将对应的value值1。
#统计单句中每个单词出现的次数news Xi, also general secretary of the Communist Party of China (CPC) Central Committee and chairman of the Central Military Commission, made the remarks while attending a voluntary tree-planting activity in the Chinese capitals southern district of Daxing. def couWord(news_list): ##定义计数函数 输入句子的单词列表 输出单词-次数 的字典 my_dict {} #空字典 来保存单词出现的次数 for v in news_list: if my_dict.get(v): my_dict[v] 1 else: my_dict[v] 1 return my_dictprint(couWord(news.split ()))输出
{‘Xi,’: 1, ‘also’: 1, ‘general’: 1, ‘secretary’: 1, ‘of’: 4, ‘the’: 4, ‘Communist’: 1, ‘Party’: 1, ‘China’: 1, ‘(CPC)’: 1, ‘Central’: 2, ‘Committee’: 1, ‘and’: 1, ‘chairman’: 1, ‘Military’: 1, ‘Commission,’: 1, ‘made’: 1, ‘remarks’: 1, ‘while’: 1, ‘attending’: 1, ‘a’: 1, ‘voluntary’: 1, ‘tree-planting’: 1, ‘activity’: 1, ‘in’: 1, ‘Chinese’: 1, “capital’s”: 1, ‘southern’: 1, ‘district’: 1, ‘Daxing.’: 1}以上通过couWord方法实现了词频的统计但是存在以下两个问题。
1未去除stopword
输出结果中保护’also’、‘and’、in’等stopword停止词停止词语与文章主题关系不大需要在词频统计等各类处理中将其过滤掉。
2未根据出现次数进行排序
根据每个单词出现次数进行排序后可以直观而有效的发现文章主题词或热词。
改进后的couWord函数如下
def couWord(news_list,word_list,N): #输入 文章单词的列表 停止词列表 输出Top N的单词 my_dict {} #空字典 来保存单词出现的次数 for v in news_list: if (v not in word_list): # 判断是否在停止词列表中 if my_dict.get(v): my_dict[v] 1 else: my_dict[v] 1 topWord sorted(zip(my_dict.values(),my_dict.keys()),reverseTrue)[:N] return topWord加载英文停止词列表
stopPath rData/stopword.txtwith open(stopPath,encoding utf-8) as file: word_list file.read().split() #通过read()返回一个字符串函数再将其转换成列表print(couWord(news.split(),word_list,5)) 输出
[(2, ‘Central’), (1, ‘voluntary’), (1, ‘tree-planting’), (1, ‘southern’), (1, ‘secretary’)]
2. 文章的词频统计1单篇文章词频统计
通过定义读取文章的函数对其进行大小写转换等处理形成输入文章的单词列表。
以上为hamlet英文版文本的获取路径下载完成后保存到工程路径下。
使用open()函数打开hamlet.txt文件并使用read()方法读取文件内容将文本保存在txt变量中。
def readFile(filePath): #输入 文件路径 输出字符串列表 with open(filePath,encoding utf-8) as file: txt file.read().lower() #返回一个字符串,都是小写 words txt.split() #转换成列表 return wordsfilePath rData/news/hamlet.txtnew_list readFile(filePath) #读取文件print(couWord(new_list,word_list,5))接下来我们需要对文本进行预处理去除标点符号、分割成单词等。我们可以使用正则表达式来实现这一步骤。
import re# 去除标点符号text re.sub(r[^\w\s], , text)# 分割成单词words text.split()我们使用re.sub()函数和正则表达式[^\w\s]来去除标点符号然后使用split()方法将文本分割成单词并将结果保存在words列表中。
或者
我们的文本中含有标点和字符的噪声数据所以要进行数据的清洗将文档全部处理为只有我们需要的字母类型为方便操作用空格替换噪声数据将文档全部转化为小写字母
打开文件进行读取清洗数据数据归档。
def getText(): txt open(Hmlet.txt,r).read() txt txt.lower() for ch in !#$%^&*()_/*-~: txt txt.replace(ch, ) return txthamlet getText()words hamlet.split()counts {}for word in words: counts[word] counts.get(word,0) 1items list(counts.items())items.sort(key lambda x:x[1],reverseTrue)for i in range(10): word, count items[i] print({0:<10}{1:>5}.format(word,count))现在我们已经得到了分割后的单词列表words接下来我们需要统计每个单词出现的次数。我们可以使用Python的字典数据结构来实现词频统计。
word_counts {}for word in words: if word in word_counts: word_counts[word] 1 else: word_counts[word] 1这段代码中我们首先创建一个空字典word_counts然后遍历words列表中的每个单词。对于每个单词如果它已经在word_counts字典中存在则将对应的计数值加1否则在字典中新增一个键值对键为单词值为1。
在统计完词频后我们需要按照词频降序排序以便后续输出结果。我们可以使用Python的内置函数sorted()来实现排序。
sorted_word_counts sorted(word_counts.items(), keylambda x: x[1], reverseTrue)我们使用word_counts.items()方法获取word_counts字典中的所有键值对并使用keylambda x: x[1]指定按照键值对中的值进行排序reverseTrue表示降序排列。排序结果将保存在sorted_word_counts列表中。
最后我们将词频统计结果输出到控制台或文件中。
for word, count in sorted_word_counts: print(f{word}: {count})这段代码中我们使用for循环遍历sorted_word_counts列表中的每个元素每个元素是一个键值对并使用print()函数输出单词和对应的词频。
2多篇文章词频统计
需要使用os.listdir方法读取文件夹下的文件列表然后对文件逐一进行处理。
import os folderPath rData/news #文件夹路径tmpFile os.listdir(folderPath)allNews []for file in tmpFile: #读取文件 newsfile folderPath // file #拼接完整的文件路径 \\ 转义字符 allNews readFile(newsfile) #把所有的字符串列表拼接到allText中 print(couWord(allNews,word_list,5)) 输出
[(465, ‘china’), (323, ‘chinese’), (227, ‘xi’), (196, “china’s”), (134, ‘global’)]
3中文文章的处理
对于中文文章的词频统计首先要使用jieba等分词器对文章进行分词并且加载中文的停止词列表再进行词频统计。
利用jieba库进行中文分词将其存入列表words中遍历将词组和词频作为键值对存入列表counts中利用列表的有序性进行排序然后输出
以上为三国演义中文版文本获取链接下载后保存到工程路径下
import jiebatxt open(threekingdoms.txt,r,encodingutf-8).read()counts {}words jieba.lcut(txt)for word in words: if len(word) 1: continue else: counts[word] counts.get(word,0) 1items list(counts.items())items.sort(key lambda x:x[1] , reverseTrue)for i in range(15): word , count items[i] print({0:<10}{1:>5}.format(word,count))该方法比英文哈姆雷特词频简单不用去处理字符类噪声数据这也得益于jieba库的简易操作。
但随之带来的是词频的模糊因为jieba库的特性导致不是人名的词组也被统计了进来。
如结果中的“二人”、”孔明曰“这些都是冗余和词组问题的错误。
所以我们应该还需要进行进一步的处理让词频统计人物的名字次数
经过前几步的操作我们输出了出现频率最高的15给词组可我们如果想要人物的出场频率呢 这就需要对原文件进行过滤把我们不需要的输出删除。
因为之前的输出可以简单的获取到出现频率高但不是人名的词组所以我们这里把它们储存到一个集合中遍历并删除原文件中存在的这些词组。
excludes {将军,却说,二人,不可,荆州,不能,如此,商议,如何,主公,军士,左右,军马}for i in excludes: del counts[i]冗余处理把出现频率高的相同人物别名进行统一
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 曹操反复的经过这些处理我们可以得到我们想要的输出
import jiebatxt open(threekingdoms.txt,r,encodingutf-8).read()counts {}excludes {将军,却说,二人,不可,荆州,不能,如此,商议,如何,主公,军士,左右,军马}words jieba.lcut(txt)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) 1for i in excludes: del counts[i]items list(counts.items())items.sort(key lambda x:x[1] , reverseTrue)for i in range(7): word,count items[i] print({0:<10}{1:>5}.format(word,count))方法一运用集合去重方法
1
2
3
4
5
6
7
8
9
def word_count1(words,n):
word_list []
for word in set(words):
num words.counts(word)
word_list.append([word,num])
word_list.sort(keylambda x:x[1], reverseTrue)
for i in range(n):
word, count word_list[i]
print({0:<15}{1:>5}.format(word, count))
说明运用集合对文本字符串列表去重这样统计词汇不会重复运用列表的counts方法统计频数将每个词汇和其出现的次数打包成一个列表加入到word_list中运用列表的sort方法排序大功告成。
方法二运用字典统计1
2
3
4
5
6
7
8
9
10
11
12
def word_count2(words,n):
counts {}
for word in words:
if len(word) 1:
continue
else:
counts[word] counts.get(word, 0) 1
items list(counts.items())
items.sort(keylambda x:x[1], reverseTrue)
for i in range(n):
word, count items[i]
print({0:<15}{1:>5}.format(word, count))
1
2
3
4
5
6
7
def word_count3(words,n):
from collections import Counter
counts Counter(words)
for ch in : # 删除一些不需要统计的元素
del counts[ch]
for word, count in counts.most_common(n): # 已经按数量大小排好了
print({0:<15}{1:>5}.format(word, count))