用Python统计词频

def statistics(astr):

在沙洋等地区，都构建了全面的区域性战略布局，加强发展的系统性、市场前瞻性、产品创新能力，以专注、极致的服务理念，为客户提供成都网站设计、网站建设 网站设计制作定制网站,公司网站建设,企业网站建设,品牌网站制作,成都全网营销推广,成都外贸网站制作,沙洋网站建设费用合理。

# astr.replace("\n", "")

slist = list(astr.split("\t"))

alist = []

[alist.append(i) for i in slist if i not in alist]

alist[-1] = alist[-1].replace("\n", "")

return alist

if __name__ == "__main__":

code_doc = {}

with open("test_data.txt", "r", encoding='utf-8') as fs:

for ln in fs.readlines():

l = statistics(ln)

for t in l:

if t not in code_doc:

code_doc.setdefault(t, 1)

else:

code_doc[t] += 1

for keys in code_doc.keys():

print(keys + ' ' + str(code_doc[keys]))

如何用python实现英文短文的双词频统计

简单版：

#!/usr/bin/env python3

import re

import jieba

from collections import Counter

fname = 'counttest.txt'

with open(fname) as f:

s = f.read()

pattern = re.compile(r'[a-zA-Z]+\-?[a-zA-Z]*')

english_words = Counter(pattern.findall(s))

other_words = Counter(jieba.cut(pattern.sub('', s)))

print('\n英文单词统计结果：\n'+'-'*17)

print('\n'.join(['{}: {}'.format(i, j) for i, j in english_words.most_common()]))

print('\n中文及符号统计结果：\n'+'-'*19)

print('\n'.join(['{}: {}'.format(i, j) for i, j in other_words.most_common()]))

复杂版：

#!/usr/bin/env python

# -*- coding: utf-8 -*-

from __future__ import print_function, division, unicode_literals

import sys, re, time, os, jieba

from collections import Counter

from datetime import datetime

class WordCounter(object):

def __init__(self, from_file, to_file=None, coding=None, jieba_cut=None):

'''根据设定的进程数，把文件from_file分割成大小基本相同，数量等同与进程数的文件段，

来读取并统计词频，然后把结果写入to_file中，当其为None时直接打印在终端或命令行上。

Args:

@from_file 要读取的文件

@to_file 结果要写入的文件

@coding 文件的编码方式，默认为采用chardet模块读取前1万个字符来自动判断

@jieba_cut 是否启用结巴分词，默认为None

How to use:

w = WordCounter('a.txt', 'b.txt')

w.run()        

'''

if not os.path.isfile(from_file):

raise Exception('No such file: 文件不存在')

self.f1 = from_file

self.filesize = os.path.getsize(from_file)

self.f2 = to_file

if coding is None:

try:

import chardet

except ImportError:

os.system('pip install chardet')

print('-'*70)

import chardet

with open(from_file, 'rb') as f:    

coding = chardet.detect(f.read(10000))['encoding']            

self.coding = coding

self._c = [Counter(), Counter()]

self.jieba = False

if jieba_cut is not None:                  

self.jieba = True

def run(self):

start = time.time()

if 1:

self.count_direct(self.f1)          

if self.f2 not in ['None', 'Null', 'none', 'null', None]:

with open(self.f2, 'wb') as f:

f.write(self.result.encode(self.coding))

else:

print('\nEnglish words:\n' + '-'*15)

print(self.result)

cost = '{:.1f}'.format(time.time()-start)

size = humansize(self.filesize)

tip = '\nFile size: {}. Cost time: {} seconds'     

#        print(tip.format(size, cost))

self.cost = cost + 's'

def count_direct(self, from_file):

'''直接把文件内容全部读进内存并统计词频'''

start = time.time()

with open(from_file, 'rb') as f:

line = f.read()

for i in range(len(self._c)):

self._c[i].update(self.parse(line)[i])  

def parse(self, line):  #解析读取的文件流

text = line.decode(self.coding)

text = re.sub(r'\-\n', '', text) #考虑同一个单词被分割成两段的情况，删除行末的-号

pattern = re.compile(r'[a-zA-Z]+\-?[a-zA-Z]*') #判断是否为英文单词

english_words = pattern.findall(text)

rest = pattern.sub('', text)        

ex = Counter(jieba.cut(rest)) if self.jieba else Counter(text)

return Counter(english_words), ex

def flush(self):  #清空统计结果

self._c = [Counter(), Counter()]

@property

def counter(self):  #返回统计结果的Counter类       

return self._c

@property

def result(self):  #返回统计结果的字符串型式，等同于要写入结果文件的内容

ss = []

for c in self._c:

ss.append(['{}: {}'.format(i, j) for i, j in c.most_common()])

tip = '\n\n中文及符号统计结果:\n'+'-'*15+'\n'

return tip.join(['\n'.join(s) for s in ss])

def humansize(size):

"""将文件的大小转成带单位的形式

humansize(1024) == '1 KB'

True

humansize(1000) == '1000 B'

True

humansize(1024*1024) == '1 M'

True

humansize(1024*1024*1024*2) == '2 G'

True

"""

units = ['B', 'KB', 'M', 'G', 'T']    

for unit in units:

if size  1024:

break

size = size // 1024

return '{} {}'.format(size, unit)

def main():

if len(sys.argv)  2:

print('Usage: python wordcounter.py from_file to_file')

exit(1)

from_file, to_file = sys.argv[1:3]

args = {'coding' : None, 'jieba_cut': 1}

for i in sys.argv:

for k in args:

if re.search(r'{}=(.+)'.format(k), i):

args[k] = re.findall(r'{}=(.+)'.format(k), i)[0]

w = WordCounter(from_file, to_file, **args)

w.run()

if __name__ == '__main__':

import doctest

doctest.testmod()

main()

更复杂的：如果是比较大的文件，建议采用多进程，详情百度：多进程读取大文件并统计词频 jaket5219999

如何用python对文章中文分词并统计词频

1、全局变量在函数中使用时需要加入global声明

2、获取网页内容存入文件时的编码为ascii进行正则匹配时需要decode为GB2312，当匹配到的中文写入文件时需要encode成GB2312写入文件。

3、中文字符匹配过滤正则表达式为ur'[\u4e00-\u9fa5]+',使用findall找到所有的中文字符存入分组

4、KEY，Value值可以使用dict存储，排序后可以使用list存储

5、字符串处理使用split分割，然后使用index截取字符串，判断哪些是名词和动词

6、命令行使用需要导入os,os.system(cmd)

如何用python和jieba分词，统计词频？

#! python3

# -*- coding: utf-8 -*-

import os, codecs

import jieba

from collections import Counter

def get_words(txt):

seg_list = jieba.cut(txt)

c = Counter()

for x in seg_list:

if len(x)1 and x != '\r\n':

c[x] += 1

print('常用词频度统计结果')

for (k,v) in c.most_common(100):

print('%s%s %s  %d' % ('  '*(5-len(k)), k, '*'*int(v/3), v))

if __name__ == '__main__':

with codecs.open('19d.txt', 'r', 'utf8') as f:

txt = f.read()

get_words(txt)

当前文章：python词频函数 python 词频分析
转载源于：http://kswjz.com/article/dosgioj.html