数据分析：从歌词了解歌手

结巴（jieba）是国人开发的一款插件，可以对中文进行分词，根据分词粒度的粗细，可以获取一些意想不到的信息

开源地址：http://www.oschina.net/p/jieba/

下面实例分析，从歌词文本获取歌手的高频词汇，侧面了解歌手表达的主题

#coding=utf-8
import os
from collections import Counter
import jieba

#同一首歌中出现多次的词，只能算作一次
all_words = []    #用词列表
L = os.listdir(r‘C:\Users\HP\Desktop\lyrics‘)
print L   #[‘\xb3\xc9\xb6\xbc.txt‘, ‘\xb9\xc4\xc2\xa5.txt‘....]
for filename in os.listdir(r‘C:\Users\HP\Desktop\lyrics‘):
    filename1 = filename.decode(‘gbk‘)
    print filename1
    with open(‘C:/Users/HP/Desktop/lyrics/‘ + filename1) as f:
        lyrics = f.read()
        data = jieba.cut(lyrics)
        print type(data)
        all_words.extend(set(data))  #set(data)去除重复的词，得到这首歌的用词列表

count = Counter(all_words)   #统计出现次数,以字典的键值对形式存储，元素作为key，其计数作为value。
result = sorted(count.items(), key=lambda x: x[1], reverse=True)  #key=lambda x: x[1]在此表示用次数作为关键字

for word in result:
    print word[0], word[1]   

输出：

源码分析：

1.os.listdir(r‘C:\Users\HP\Desktop\lyrics‘)：获取指定目录下的文件名称

注：必须保证运行时在当前目录，即C:\Users\HP\Desktop\lyrics

2.open(‘C:/Users/HP/Desktop/lyrics/‘ + filename1)：filename1需是能看懂的字符，不能是unicode或者其他非人类的字符

3.sorted（listname,key=lambda x: x[1]）：key表示用列表元素的某个属性和函数进行作为关键字

4.‘C:/Users/HP/Desktop/lyrics/‘和‘C:\Users\HP\Desktop\lyrics‘区别