Python词频统计的3种方法

大家好，我是小小明。

上次，我分享了《100毫秒过滤一百万字文本的停用词》，这次我将分享如何进行词频统计。

当然我们首先需要准备好数据：

数据准备

import jieba

with open("D:/hdfs/novels/天龙八部.txt", encoding="gb18030") as f:
    text = f.read()
with open('D:/hdfs/novels/names.txt', encoding="utf-8") as f:
    for line in f:
        if line.startswith("天龙八部"):
            names = next(f).split()
            break

for word in names:
    jieba.add_word(word)

#  加载停用词
with open("stoplist.txt", encoding="utf-8-sig") as f:
    stop_words = f.read().split()
stop_words.extend(['天龙八部', '\n', '\u3000', '目录', '一声', '之中', '只见'])
stop_words = set(stop_words)
all_words = [word for word in cut_word if len(word) > 1 and word not in stop_words]
print(len(all_words), all_words[:20])

结果：

216435 ['天龙', '释名', '青衫', '磊落', '险峰', '行玉壁', '月华', '明马', '疾香', '幽崖', '高远', '微步', '生家', '子弟', '家院', '计悔情', '虎啸', '龙吟', '换巢', '鸾凤']

统计词频排名前N的词

原始字典自写代码统计：

wordcount = {}
for word in all_words:
    wordcount[word] = wordcount.get(word, 0)+1
sorted(wordcount.items(), key=lambda x: x[1], reverse=True)[:10]

结果：

使用计数类进行词频统计：

from collections import Counter

wordcount = Counter(all_words)
wordcount.most_common(10)

结果：

使用pandas进行词频统计：

pd.Series(all_words).value_counts().head(10)

结果：

从上面的结果可以看到使用collections的Counter类来计数会更快一点，而且编码也最简单。

分词过程中直接统计词频

Pandas只能对已经分好的词统计词频，所以这里不再演示。上面的测试表示，Counter直接对列表进行计数比pyhton原生带快，但循环中的表现还未知，下面再继续测试一下。

首先使用原生API直接统计词频并排序：

%%time
wordcount = {}
for word in jieba.cut(text):
    if len(word) > 1 and word not in stop_words:
        wordcount[word] = wordcount.get(word, 0)+1
print(sorted(wordcount.items(), key=lambda x: x[1], reverse=True)[:10])

结果：

[('段誉', 2496), ('说道', 2151), ('虚竹', 1633), ('萧峰', 1301), ('武功', 1095), ('阿紫', 922), ('阿朱', 904), ('乔峰', 900), ('王语嫣', 877), ('慕容复', 871)]
Wall time: 6.04 s

下面我们使用Counter统计词频并排序：

%%time
wordcount = Counter()
for word in jieba.cut(text):
    if len(word) > 1 and word not in stop_words:
        wordcount[word] += 1
print(wordcount.most_common(10))

结果：

[('段誉', 2496), ('说道', 2151), ('虚竹', 1633), ('萧峰', 1301), ('武功', 1095), ('阿紫', 922), ('阿朱', 904), ('乔峰', 900), ('王语嫣', 877), ('慕容复', 871)]
Wall time: 6.21 s

可以看到Counter在循环中计数时反而慢了一丁点，但由于Counter类整体性能更加，编写起来简单，所以一般都用Counter进行统计计数。

总结

今天我向你分享了词频统计的三种方法，本期还同步分享了 set集合和字典的基本原理，希望你能学会所获。

我是小小明，咱们下期再见。