中文词频统计

中文分词

1. 下载一中文长篇小说，并转换成UTF-8编码。
2. 使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。
3. 排除一些无意义词、合并同一词。
4. 对词频统计结果做简单的解读。

#使用jieba库
import jieba

#下载一中文长篇小说，并转换成UTF-8编码
fo=open('shen.txt','r',encoding='utf-8')
str=fo.read()
fo.close()
for i in '，。！"':
    str=str.replace(i,' ')

#排除一些无意义词、合并同一词
exp={'','\n\n'}
words=list(jieba.cut(str,cut_all=True))

#进行中文词频统计
dic={}
keys=set(words)-exp
for i in keys:
    if len(i)>1:
        dic[i]=words.count(i)
d=list(dic.items())

d.sort(key=lambda x:x[1],reverse=True)

#输出TOP20的词及出现次数。
for i in range(20):
    print(d[i])

结果如图：

 从结果中可以看出，这是一篇关于靠渡船而生的祖父和孙女在山边小镇的故事。