python實現詞頻分析器的簡單介紹

本文目錄一覽：

• 1、用Python統計詞頻
• 2、Python編程實現csv文件某一列的詞頻統計
• 3、如何用python和jieba分詞，統計詞頻？
• 4、python問題，我運用python做中文詞頻分析的時候總是顯示UnicodeDecodeError: ‘utf-8’問題？

用Python統計詞頻

def statistics(astr):

# astr.replace(“\n”, “”)

slist = list(astr.split(“\t”))

alist = []

[alist.append(i) for i in slist if i not in alist]

alist[-1] = alist[-1].replace(“\n”, “”)

return alist

if __name__ == “__main__”:

code_doc = {}

with open(“test_data.txt”, “r”, encoding=’utf-8′) as fs:

for ln in fs.readlines():

l = statistics(ln)

for t in l:

if t not in code_doc:

code_doc.setdefault(t, 1)

else:

code_doc[t] += 1

for keys in code_doc.keys():

print(keys + ‘ ‘ + str(code_doc[keys]))

Python編程實現csv文件某一列的詞頻統計

import re

import collections

import pandas as pd

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

#為避免出問題，文件名使用全路徑

data = pd.read_csv(‘XXX.csv’)

trainheadlines = []

for row in range(0, len(data.index)):

trainheadlines.append(‘ ‘.join(str(x) for x in data.iloc[row, m:n]))

#上面的m:n代表取那一列，或者那幾列。

advancedvectorizer = TfidfVectorizer(

min_df=0, max_df=1, max_features=20000, ngram_range=(1, 1))

advancedtrain = advancedvectorizer.fit_transform(trainheadlines)

print(advancedtrain.shape)

如何用python和jieba分詞，統計詞頻？

 #! python3

# -*- coding: utf-8 -*-

import os, codecs

import jieba

from collections import Counter

def get_words(txt):

    seg_list = jieba.cut(txt)

    c = Counter()

    for x in seg_list:

        if len(x)1 and x != ‘\r\n’:

            c[x] += 1

    print(‘常用詞頻度統計結果’)

    for (k,v) in c.most_common(100):

        print(‘%s%s %s  %d’ % (‘  ‘*(5-len(k)), k, ‘*’*int(v/3), v))

if __name__ == ‘__main__’:

    with codecs.open(’19d.txt’, ‘r’, ‘utf8’) as f:

        txt = f.read()

    get_words(txt)

python問題，我運用python做中文詞頻分析的時候總是顯示UnicodeDecodeError: ‘utf-8’問題？

出現原因：文件不是 UTF8 編碼的，而系統默認採用 UTF8 解碼。

解決方法是改為對應的解碼方式。

解決辦法：

「文件–》另存為」，可以看到文件的默認編碼格式為ANSI，改為編碼格式UTF8，保存