python词频统计三国演义_python实例:三国演义TXT文本词频分析

0x00 前言

找不到要写什么东西了!今天有个潭州大牛讲师  说了个  文本词频分析

我基本上就照抄了一遍

中间遇到一些小小的问题 自我百度 填坑补全了  如下 :

效果演示

0x01   准备环境及介绍

python3.x版本   随意

安装jieba库

pip install jieba

jieba三种模式:

1.精准模式 lcut函数,返回一个分词列表

2.全模式

3.搜索引擎模式

词频:

:的键值对

IPO描述 imput output process

输入 :从文件读取三国演义的内容

处理 :采用jiedb进行分词,字典数据结构统计词语出现的频率

输出 :文章中出现最对的前10个词

代码:

第一步:读取文件

第二步:分词

第三步:统计

第四步:排序

介绍完毕了!那么进入实战吧!

0x02 实战

完整代码如下:

1 importjieba2

3 content = open('三国演义.txt', 'r',encoding='utf-8').read()4 words =jieba.lcut(content)#分词

5 excludes={"将军","却说","二人","后主","上马","不知","天子","大叫","众将","不可","主公","蜀兵","只见","如何","商议","都督","一人","汉中","不敢","人马","陛下","魏兵","天下","今日","左右","东吴","于是","荆州","不能","如此","大喜","引兵","次日","军士","军马"}#排除的词汇

6 words=jieba.lcut(content)7 counts={}8

9 for word inwords:10 if len(word) == 1: #排除单个字符的分词结果

11 continue

12 elif word == '孔明' or word == '孔明曰':13 real_word = '孔明'

14 elif word == '关公' or word == '云长':15 real_word = '关羽'

16 elif word == '孟德' or word == '丞相':17 real_word = '曹操'

18 elif word == '玄德' or word == '玄德曰':19 real_word = '刘备'

20 else:21 real_word =word22 counts[word] = counts.get(word, 0) + 1

23

24

25

26 for word inexcludes:27 del(counts[word])28 items=list(counts.items())29 items.sort(key=lambda x:x[1],reverse=True)30 for i in range(10):31 word,count=items[i]32 print("{0:<10}{1:>5}".format(word,count))

0x03 注意事项

① 在执行的过程中遇到:'gbk' codec can't decode byte 0x82 in position 20: illegal multibyte sequence           编码错误:content = open("C:\\Users\\geek\\Desktop\\python.txt", "r",encoding= 'utf-8')

这里是我下载的txt文件 《三国演义》是ASCII,怎么办呢!搜索过后得知,要正常运行就得把TXT的编码改为UTF-8的形式才能运行成功,怎么做呢!

首先:打开TXT文本→文件→另存为→编码→UTF-8 →确定    完成第一个坑。  到这里呢!配合以上代码你成功了,但是我遇到的远远要多2个的所以我准备一并写出来。

②  坑②,这里呢!就是他在在线讲课啊 ,没有TXT三国演义文件怎办呢!没办法 自己找个三国演义文本  附上下载地址: http://vdisk.weibo.com/s/AfY-rVkr38Gg

③  下载好以后就可以就可以愉快的玩耍了,但是我要说但是了,要问我为什么?容我一一道来! 15个字组太多会出现什么呢!我截图

运行后会出现很多不相干的词汇,行,没办法只能清理 ,但是我清理大多数还是有 ,实在没办法了,本为了练手所用所以我降到10个词组,不错,那么想要完整的名字词组呢?就需要排除的词汇增多,所以这个玩法就到此结束。

0x04 谢幕

你可能感兴趣的:(python词频统计三国演义)