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。

import jieba
txt=open('test.txt','r',encoding='UTF-8').read()
for i in '''.,-
	u3000'()"：“”，。‘’？''':
    txt=txt.replace(i,'')
words=list(jieba.cut(txt))

exc={'了','么','吗','他','我','你','她','是','在','也','都','的','但','很','着'}
dic={}
keys=set(words)
keys=keys-exc
for w in keys:
    dic[w]=words.count(w)

wc = list(dic.items())
wc.sort(key=lambda x:x[1],reverse=True)

for w in range(20):
    print(wc[w])

利用循环语句去除单字词

import jieba
txt=open('test.txt','r',encoding='UTF-8').read()
for i in '''.,-
	u3000'()"：“”，。‘’？''':
    txt=txt.replace(i,'')
words=list(jieba.cut(txt))


dic={}
for w in words:
    if len(w)==1:
        continue
    else:
        dic[w]=dic.get(w,0)+1
        
wc = list(dic.items())
wc.sort(key=lambda x:x[1],reverse=True)

for w in range(20):
    print(wc[w])