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：

　　<单词>：<出现次数>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 import jieba
 2
 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 in words:
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 =word
22         counts[word] = counts.get(word, 0) + 1
23
24
25
26 for word in excludes:
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

完

原文地址：https://www.cnblogs.com/A9kl/p/9311246.html

时间： 2024-11-07 00:20:35