統計一段文章的單詞頻率，取出頻率最高的5個單詞和個數(python)

練習題：統計一段英語文章的單詞頻率，取出頻率最高的5個單詞和個數(用python實現)

先全部轉為小寫再判定 lower()

怎么判定單詞?  
1 不是字母的特殊字符作為分隔符分割字符串 （避免特殊字符的處理不便，全部替換成'-')
2 正則分割 
3 遍歷字符串，取每個word
4 正則匹配

怎么統計個數？
將wordlist的word和word的個數放入dict，排序

'''
dinghanhua
2018-11-11
練習：一段英文文章，統計每個單詞的頻率，返回出現頻率最高的5個單詞和次數
'''

import re

art = ' If we want to" run Locust \ / distributed on multiple machines we would also have to specify the master host when starting the slaves (this is not needed when running Locust distributed on a single machine, since the master host defaults to 127.0.0.1):'

'''
怎么判定單詞?
1 不是字母的特殊字符作為分隔符分割字符串
2 遍歷字符串，取每個word
3 正則匹配

怎么統計個數？
將wordlist的word和word的個數放入dict，排序
'''

word_dict = {} #用於統計 word：個數
word_list = [] #用於存放所有單詞

 

#  找出所有不是字母的字符替換成統一的字符，split()分割之后便是單詞

pattern = r'[^a-z]+'
art_new = re.sub(pattern,'-',art.lower()) #所有的非字母替換成-

word_list = art_new.split('-') #轉成小寫分隔單詞

wordlist = list(filter(lambda x : x != '',word_list)) #去掉空串

print('所有的單詞列表：',wordlist)

 

#正則表達式分隔

pattern = r'[^a-z]+' #非字母
word_list = re.split(pattern,art.lower()) #還要去除空串
print(word_list)

 

# 遍歷字符串，獲取每個word追加到wordlist （不好）
word =''
word_list2 = []

for letter in art.lower():
    if letter.isalpha(): #如果是字母，追加到word
        word += letter
    else:
        if word != '':
            word_list2.append(word) #不是字母，word不為空的話追加wordlist
            word = '' # word置空
print(word_list2)

 

# 正則表達式匹配單詞
pattern = r'[a-z]+'
word_list3 = re.findall(pattern,art.lower())
print(word_list3)

 

最后的統計的代碼：

#統計
for word in set(word_list):
    word_dict[word] = word_list.count(word) #key=單詞，value=單詞在list里的count

#取最多的前五個
print(sorted(word_dict.items(),key = lambda x:x[1],reverse=True)[0:5]) #dict根據value倒序，取前5個

word_dict = {}.fromkeys(word_list) #先用list生成dict的keys
for word in word_dict.keys():
    word_dict[word] = word_list.count(word)

 

the end！