python統(tǒng)計(jì)詞頻的方法

這篇文章將為大家詳細(xì)講解有關(guān)python統(tǒng)計(jì)詞頻的方法，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

python利用defaultdict（類字典類型）對(duì)文本中的詞頻進(jìn)行統(tǒng)計(jì)和保存。方法是：1、利用open函數(shù)讀取文本文件；2、利用相關(guān)分割符（如：空格）切分單詞；3、利用defaultdict類型統(tǒng)計(jì)詞頻。

如何用python統(tǒng)計(jì)一個(gè)純文本文件中的詞頻？這是我每次面試的時(shí)候都會(huì)問的一個(gè)問題。對(duì)于有些經(jīng)驗(yàn)的程序員來說，這是一個(gè)很簡(jiǎn)單的問題。但實(shí)際情況是，很多面試者都不能很好甚至不能解決這個(gè)問題。

對(duì)文本做詞頻統(tǒng)計(jì)在爬蟲抓取了數(shù)據(jù)后對(duì)數(shù)據(jù)做分類、去重等都有應(yīng)用，算是一個(gè)數(shù)據(jù)處理的基本功能。

這里我們以英文內(nèi)容為例來解決這個(gè)問題，而中文還涉及到文本的編碼和分詞。

讀取文本文件

python讀取文本很簡(jiǎn)單：

#讀取整個(gè)文件的內(nèi)容：
text = open('file.txt').read()
#按行讀取文本，并返回一個(gè)list，每一行是list的一個(gè)item
lines = open('file.txt').readlines()

切分單詞

英文行文以空格和標(biāo)點(diǎn)符合來分隔單詞，我們切分單詞也以空格和標(biāo)點(diǎn)符號(hào)來且分。但大多之考慮到空格而忽略了標(biāo)點(diǎn)符號(hào)。英文中標(biāo)點(diǎn)符合是直接挨著單詞的，只以空格分割，會(huì)把表達(dá)符號(hào)也分到單詞里面去。如下文本：

Google introduced its TPU at Google I/O 2016. Distinguished hardware engineer – and top MIPS CPU architect – Norm Jouppi in a blog post said Google had been running TPUs in its data centers since 2015 and that the specialized silicon delivered “an order of magnitude better-optimized performance per watt for machine learning.”

# 僅僅以空格切分：
words = text.split(' ')
#切分更準(zhǔn)確的話就要使用正則表達(dá)式模塊re
import re
# 下面的正則表達(dá)式的含義是，
# 切分符包括空白符號(hào)(空格、換行符\n, Tab符\t等看不見的符號(hào)）、
# 英文逗號(hào)、英文句號(hào).、英文問號(hào)？、感嘆號(hào)！、英文冒號(hào):
# 中括號(hào)[]擴(kuò)起來表示任意匹配這些符號(hào)其一即可
# 最后的加號(hào)+表示如果這些符號(hào)是連續(xù)挨著的則當(dāng)成一個(gè)分割符切分
pattern = r'[\s,\.?!:"]+'
words = re.split(pattern, text)

統(tǒng)計(jì)詞頻

上面切分得到的words是一個(gè)list，里面有重復(fù)和不重復(fù)的單詞。
使用dict這個(gè)key-value數(shù)據(jù)結(jié)構(gòu)來進(jìn)行統(tǒng)計(jì)和保存統(tǒng)計(jì)結(jié)果。
key就是單詞，value就是單詞的個(gè)數(shù)。

result = {}
for w in words:
    if w in result:
        result[w] += 1
    else:
        result[2] = 1
#或者用defaultdict
from collections import defaultdict
result = defaultdict(int)
for w in words:
    result[w] += 1

defaultdict比dict少了一個(gè)if w in result的判斷，這正是defaultdict的特點(diǎn)：當(dāng)key不存在時(shí)默認(rèn)其value為零。
把以上程序片段寫出一個(gè).py文件就是一個(gè)比較完整的統(tǒng)計(jì)詞頻的程序。可以當(dāng)作是Python入門小練習(xí)

關(guān)于python統(tǒng)計(jì)詞頻的方法就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。