python进行分词、去停用词和统计词频

数据的下载链接:链接:https://pan.baidu.com/s/1IyOJfpCu4HRqCmTrVI7b8Q 密码:52u7

python进行分词、去停用词和统计词频_第1张图片

import jieba    #用jieba库进行分词

#读取数据
text = open('Walden.txt','r',encoding='utf-8').read()
len(text)

#全部字符变成小写字符
text = text.lower()

#读取停用词,创建停用词表
stwlist = [line.strip() for line in open 'stopwords.txt',encoding='utf-8').readlines()]


#先进行分词
words = jieba.cut(text,cut_all = False,HMM = True)
#cut_all:是否采用全模式
#HMM:是否采用HMM模型

#去停用词,统计词频
word_ = {}
for word in words:
    if word.strip() not in stwlist:
        if len(word) > 1:
            if word != '\t':
                if word != '\r\n':
                    #计算词频
                    if word in word_:
                        word_[word] += 1
                    else:
                        word_[word] = 1

#将词汇和词频以元组的形式保存
word_freq = []
for word,freq in word_.items():
    word_freq.append((word,freq))


#进行降序排列
word_freq.sort(key = lambda x:x[1],reverse = True)

#查看前200个结果
for i in range(200):
    word,freq =word_freq[i]
    print('{0:10}{1:5}'.format(word,freq))

python进行分词、去停用词和统计词频_第2张图片

你可能感兴趣的:(文本挖掘)