最近經理交給我一項任務,統計一個檔案中每個單字出現的次數,列出出現頻率最多的5個字。本文為大家帶來了python 統計單字次數的想法解析,需要的朋友參考下吧
統計中每個單字出現的次數,列出出現頻率最多的5個字。
這題在實際應用場景中使用比較廣泛,例如統計歷年來四、六級考試中出現的高頻詞彙,記得李笑來就利用他的程式設計技能出版過一本背單字的暢銷書,就是根據詞頻來記單詞,深受學生喜歡。這就是一個把程式設計技能用來解決實際問題的典型場景。另外,在資料分析時,那些詞雲效果本質上都是基於詞頻統計來調整字體的大小,如果你能熟練運用Python中的知識來解決問題的話,說明你真的入門Python了。
本題主要檢視以下幾個面向的知識點:
1、如何正確讀取寫檔案
在python中讀寫檔案可以使用內建函數open(),而open 函數在python2 和python3 有一定的區別,例如Python 中可以指定讀寫檔案的編碼格式,而Python 則不可以,為了同時相容2和3,我們通常會使用io模組下面的open 函數,大家可以查文檔搞清楚它們之間的區別,培養主動學習能力和查資料的習慣。
另外一點是讀寫檔案完成之後是需要關閉檔案描述子的,除了可以使用try...except...finally的語法之後,我們還可以使用更優雅的with … as 的語法來自動關閉文件。
2、如何對資料進行排序
sorted函數是一個使用頻率很高的內建函數,它的用法也很強大,因為它可以透過指定參數key 來進行自訂排序,也意味著你不僅可以對數字排序、對字母排序、還可以對列表、字典、自訂的物件進行排序,你只需要要告訴sorted 函數的排序規則是什麼,例如一個people對象,我既可以根據年齡排序也可以根據身高體重來排序,所以這個函數時非常靈活的,另外,對於列表對像有自帶的sort 方法,如果能區分清楚list.sort 與sorted 之間區別那表示你已經能靈活運用了。
3、字典資料類型的運用
做詞頻統計,用字典無疑是最合適的資料類型,單字作為字典的key, 單字出現的次數作為字典的value,很方便地就記錄了每個單字的頻率,字典很像我們的電話本,每個名字關聯一個電話號碼。另外,字典最大的特色就是它的查詢速度會非常快。理想情況下時間複雜度為O(1),我是說理想情況,如果你想深入了解字典的話,建議看看這篇文章https://www.laurentluce.com/posts/python-dictionary-implementation/
4、正規表示式的運用
對文字、字串處理,正規表示式簡直是神器,無論是做資料爬蟲或資料清洗使用非常廣泛,當然,正規表示式並不是Python特有的東西,所有程式語言都支持,我們要做的除了學習正規表示式還有他的API,只有熟悉了API我們才能運用到實際場景中去。關於正規表示式推薦一篇文章:http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html ,另外我還發現有同學引進了jieba分詞庫,這個庫在做中文分詞非常有用,有興趣的可以去了解一下。
分析完後,我們實作起來其實是非常快的。所以我們在拿到一個需求的時候,首先肯定是把需求弄清楚,想想大概可以用哪些技術來實現,隨後才是動手寫程式碼,其實我們在工作上,真正寫程式碼的時間還不到一半。
# -*- coding:utf-8 -*- import io import re class Counter: def __init__(self, path): """ :param path: 文件路径 """ self.mapping = dict() with io.open(path, encoding="utf-8") as f: data = f.read() words = [s.lower() for s in re.findall("\w+", data)] for word in words: self.mapping[word] = self.mapping.get(word, 0) + 1 def most_common(self, n): assert n > 0, "n should be large than 0" return sorted(self.mapping.items(), key=lambda item: item[1], reverse=True)[:n] if __name__ == '__main__': most_common_5 = Counter("importthis.txt").most_common(5) for item in most_common_5: print(item)
列印結果:
#('is', 10)
('better', 8)
('than', 8)
('the', 6)
('to', 5)
總結
我在看大家程式碼的時候,很多程式碼依然存在著命名不規範(建議讀PEP8),程式碼的排版混亂(閱讀起來很困難,建議用Pycharm進行格式化)。還有不少程式碼的實作方式看起來很複雜(往往越複雜的程式碼Bug越多)。當然,實作方法不是唯一。
例如Python模組本身就提供了一個collections.Counter的類,它繼承自dict類,就是用於做統計的,我發現有部分同學使用的就是這個類來實現的,細心的你可能發現了,我實現的這個Counter和collections下面那個Counter很像,其實這就是造輪子,造輪子可以鍛鍊我們的程式思維,當然在工作上有現成的東西就沒必要自己造輪子了,除非你有信心去做得更好。你也可以思考思考,如果Python沒有提供Counter這個工具,該怎麼做。
另外,該模組還提供一個有序的字典物件 OrderedDict,使用它可以免去我們手動排序的操作。最後建議大家學習總結上面我提到的所有內容。如果你能堅持100天,相信你對Python的掌握程度是游刃有餘的。
相關推薦:
#
以上是Python統計單字出現的次數_python的詳細內容。更多資訊請關注PHP中文網其他相關文章!