疑问搞懂，python中文词频统计，让你真能学会

词频统计是指在文本中计算每个词出现的次数。
在 Python 中，可以使用一些第三方库（如 jieba）来分词，然后使用字典等数据结构记录每个词的词频。

• Python中文词频统计知识点 - 分词：需要对中文文本进行分词，分词的目的是将文本分解为独立的词语，便于后续的词频统计。- 字典：使用字典存储每个词的词频。字典的键为词语，值为词频。- 遍历：遍历分词后的结果，统计每个词出现的次数。- 排序：对字典按照词频排序，以得到词频最高的词。- 输出：最后，可以输出词频最高的词，也可以输出完整的词频字典。

文章目录

Python中文词频分词

安装 jieba 库：

pip install jieba

使用 jieba.cut() 函数对中文文本进行分词：

import jieba

text ="梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)
print(list(seg_list))

输出结果：

['梦想', '橡皮擦', '的', 'Python', '博客', '很', '不错']

使用字典可以很方便地存储每个词语的词频

import jieba

text ="梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)# print(list(seg_list))

word_dict ={}for word in seg_list:print(word)if word in word_dict:
        word_dict[word]+=1else:
        word_dict[word]=1print(word_dict)

再次整理Python词频统计的具体实现方法：

• 导入 jieba 库，使用 jieba.cut() 函数对中文文本进行分词。
• 遍历分词后的结果，统计每个词出现的次数。
• 使用字典记录每个词出现的次数。
• 对字典按照词频排序，并输出词频最高的词。

代码示例：

import jieba

defget_word_frequency(text):
    seg_list = jieba.cut(text)
    word_dict ={}for word in seg_list:if word in word_dict:
            word_dict[word]+=1else:
            word_dict[word]=1
    sorted_word_dict =sorted(word_dict.items(), key=lambda x: x[1], reverse=True)return sorted_word_dict

text ="梦想橡皮擦的Python博客很不错"
result = get_word_frequency(text)print(result)

停用词

在分词时，通常会忽略一些词语，这些词语被称为停用词。如常用的助词、介词等。

在 Python 中，可以预先加载停用词表，在分词时，如果词语是停用词，则忽略。

下面是一个简单的例子：

import jieba

stop_words =set()withopen("stop_words.txt","r",encoding='utf-8')as f:for line in f:
        stop_words.add(line.strip())

text ="梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)
filtered_words =[word for word in seg_list if word notin stop_words]print(filtered_words)

“stop_words.txt” 文件中是停用词表，每行一个词语。在代码中，通过 with open 语句读取文件，并将每个词语加入到 stop_words 集合中。在分词后，通过列表推导式，筛选出不是停用词的词语。文件中的内容如下：

的

词干提取

词干提取是将词语的不同形式提取为同一词干的过程。例如 “running” 和 “runner” 可以被提取为 “run”。

在 Python 中，可以使用词干提取工具来进行词干提取，常见的词干提取工具有 nltk 库的 PorterStemmer 和 SnowballStemmer 。

下面是一个简单的例子：

import nltk
from nltk.stem import SnowballStemmer

stemmer = SnowballStemmer("english")

words =["run","runner","running"]
stemmed_words =[stemmer.stem(word)for word in words]print(stemmed_words)

SnowballStemmer 函数的第一个参数是语言。

english

表示使用英语词干提取器。
其支持多种语言，可以指定不同的语言，以使用不同的词干提取器。例如，如果是法语文本，可以使用

SnowballStemmer("french")

。

stemmer.stem(word)

是 nltk 库的 SnowballStemmer 函数的一个方法，用于提取词干。

词云图

词云图是一种展示词频的可视化图形，其中词语的大小代表词频的多少。

在 Python 中，可以使用词云库 wordcloud 来生成词云图。

以下是一个使用 wordcloud 库创建词云图的简单示例：

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text ="ca1 ca2 ca3 ca4 ca4 ca4"
wordcloud = WordCloud(width=400, height=400, random_state=21, max_font_size=110).generate(text)
plt.figure(figsize=(10,5))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis('off')
plt.show()

首先使用 WordCloud 函数创建一个词云图对象，并设置图片的宽度、高度、随机状态、字体大小等参数。

然后，使用

generate()

方法生成词云图，并将其作为参数传递给 matplotlib 的

imshow()

函数。

最后，使用

show()

方法显示词云图。

Python 中文词频分词其它库

• thulac：thulac 是一个中文分词库，支持动态词性标注。
• snownlp：snownlp 是一个基于 SnowNLP 的中文自然语言处理库，支持中文分词、情感分析、关键词提取等功能。

📢📢📢📢📢📢
💗 你正在阅读 【梦想橡皮擦】 的博客
👍 阅读完毕，可以点点小手赞一下
🌻 发现错误，直接评论区中指正吧
📆 橡皮擦的第 872 篇原创博客

👇 全网 6000+人正在学习的 爬虫专栏 👇👇👇👇

• ⭐️ Python 爬虫 120，点击订购 ⭐️
• ⭐️ 爬虫 100 例教程，点击订购 ⭐️