python写程序统计词频的方法

在李笑来所著《时间当作朋友》中有这么一段：

可问题在于，当年我在少年宫学习计算机程序语言的时候，怎么可能想象得到，在20多年后的某一天，我需要先用软件调取语料库中的数据，然后用统计方法为每个单词标注词频，再写一个批处理程序从相应的字典里复制出多达20MB的内容，重新整理……

在新书《自学是门手艺》中，他再次提及：

又过了好几年，我去新东方教书。2003 年，在写词汇书的过程中，需要统计词频，C++ 倒是用不上，用之前学过它的经验，学了一点 Python，写程序统计词频 ――《TOEFL 核心词汇 21 天突破》到今天还在销售。一个当年 10 块钱学费开始学的技能，就因为这本书，这些年给我 “变现” 了很多钱。

正在通过xue.cn 自学 python 的我顺手在 trello 中给自己添加一张卡片： 要不用 python 写个统计词频的脚本玩玩？ 这是前不久的事儿了。

今日周末，我翻出这张卡片，打算实践看看。下文是我写词频统计脚本时的一些思考与实践成果。

2、如何把难题拆解为小CASE？

从需求来看，“统计词频的脚本”是一个泛泛的需求。――我并不是想要统计特定内容的词频，我希望生成的脚本可以处理各式内容。这对脚本的最终交付成果提出了高要求。

如果请你用 python 写个统计词频的脚本，你会如何写呢？当我正襟危坐，正视这道题目时，第一秒钟感知到了为难与胆怯。有个小人儿在脑袋里说：“好难，我做不到吧？”

面对新事物、新挑战，人们善于用想象力把困难放的很大。而我已经有了多次迎难而上的经验，于是我喝了一口苦咖啡，问自己：

从哪儿下手呢？不如进一步拆解来看看吧。

需求拆解如下：

“统计词频的脚本”，可以拆分为2个部分，a) 有哪些词？b) 统计这些词出现的次数。 b是简单的。 a分为2种情况：i) 给定词库；ii) 自己从内容中找词。 i是简单的，ii则可能复杂。

此时你可能问，你是如何判断简单还是复杂？简单吖，根据自己的编程能力与经验，预判自己能否写出代码。

需求经过拆解后，当前的重点聚焦于：

如何从内容中抓取词？

其中，内容是一个宽泛的概念。在程序中，它可能是：string 常量，文件，网页，api 返回的数据如此等等。关键是什么呢？关键是脚本的一线代码们处理的是 string，列表或字典。其余的文件、网页、api 返回数据等，无非是数据的载体更为复杂，我已经掌握了把从它们那里获取数据，生成 string、列表或字典的能力。而这个能力你也能很简单获得，即通过“python 如何读取文件数据”之类句式，从搜索引擎中找到答案。

一篇文章可以直接定义或读取为一个 string 常量。而 for i in stringcontent 句式能够帮我们遍历 string 统计单个字的词频。然后双字词、三字词、N字词等等，都可以由单字词拼接而成。

难点既然这么快想清楚，那么写代码实现吧！

3、从上帝视角调控成长体验

第一个版本代码如下图所示，还是非常简便的。我在同个目录下，另起一个 poem.py 文件用来把内容定义为常量，供该脚本调用。

首次测试的string 常量 poem 是一首中文小诗，从常理来说，中文词汇包括汉字1、2、3、4个，超过 4 个的虽有但很少。顺着上面的思路，我继续把 3字词、4字词的代码也写出来了。运算结果正常。

我想试试复杂的。比如读取pdf文件。这涉及到一个我尚未掌握的新知识点：python如何读取pdf文件？获取答案也很容易，搜索然后尝试。

如果把“统计词频的python脚本”当作主线任务，那么“python如何读取pdf文件”就是分支任务啦。在这个分支任务上我立即遇到困难：使用 anaconda powshell prompt 安装第三方库时， pip install pdfminer 命令行执行了小段就报错。

此时要么在支线任务中深究下去，要么回归主线任务。我选择回归主线任务，但顺手在 trello 上给自己建卡“python如何读取pdf文件”等以后专门来研究它。

现在，我继续专注于词频脚本。

除了内容载体的复杂，还可以有内容量的冗长。我拷贝了一篇几千字的中文文章，定义为 string 常量，然后用刚才调试通过的脚本统计词频。

在处理数百字的小诗时，脚本运行迅速，结果几乎立即被终端打印出来。而处理这篇长文时，终端打印完单字词、双字词的统计结果后，就一直没有输出，好似“卡”在那里。于是我强制结束脚本，在代码中添加了几条打印来检查程序是否正常运行中。由此发现了一个“性能”上的问题：电脑或编辑器，都没有卡住，程序运算持续在进行中，只是没有运算完成。

这篇长文，单字词几百条；按照我的上述代码逻辑，双字词运算 几百*几百 次，三字词运算 几百*几百 *几百 次，四字词运算 几百*几百 *几百 次。演算一下，具体是多少呢？

4字词运算次数：467758877041 次

四千六百多亿次！难怪迟迟没有结果输出！看来代码本身需要被修改优化，以降低计算量。第二个版本除了修改算法外，也调整了代码结构，使之更易于调试和增删。

在这个版本中，词频统计仅可用于中文，处理几千字的文章，大概需要1分钟左右。此时，一个下午已经过去了。再次久坐忘动的我，决定暂停休息一下，扭扭脖子甩甩胳膊。而且，很重要的一件事是， 把实践过程中的思考与第二个版本的脚本做一个阶段交付 。

不得不提的是， 写文章是一个提升阶段交付成就感的小策略 。这也是此文的由来。当然啦，我还要顺手在 trello 上给自己添加2张新卡片，等有精力时继续实践：

python如何统计英文文章词频？ python统计中文词频的脚本处理十几万字的书籍时，性能如何？

在群里谈及我在写的词频脚本时，有位网友提出一个观点，“不是程序员，学编程没用”。我想，他肯定是没有读过李笑来的书，或者干脆读过，只是读成了另外一个版本吧！

如果你也在学习 python 或想要提高自学能力，欢迎来xue.cn 聊天室找我 @liujuanjuan1984 ~

def write_rlt(content,dic1,dic2):
  rlt = {}#有该结果但并没有用上
  rlts = {}
  for i in dic1.keys():
    for j in dic2.keys():
      cix = i + j
      if cix in content:
        num = content.count(cix)
        if cix not in rlt.keys():
          rlt[cix]=num
          if num > 1:
            rlts[cix]=num
  return rlts

def cipin_1(content):
  rlt1 = {}
  rlt1s = {}
  for ci in content:
    #r"[^\u4e00-\u9fa5^a-z^A-Z^0-9]"
    atext ="""
    \ \\\\n ,.，。/一（）()<>《》
    """
    if ci not in atext:
      num = content.count(ci)
      if ci not in rlt1.keys():
        rlt1[ci]=num
        if num > 1:
          rlt1s[ci]=num
  return rlt1s

def merge_dic(dic1,dic2):
  rlt = dic1.copy()
  rlt.update(dic2)
  return rlt

def cipin_x(content,dic1,dic2):
  rltsx = write_rlt(content,dic1,dic2)
  rltsy = write_rlt(content,dic2,dic1)
  rlts = merge_dic(rltsx,rltsy)
  return rlts

def sorted_dic(dic1,txt=None):
  rlt = sorted(dic1.items(),key=lambda x:x[1],reverse=True)
  print("\n--------------------\n")
  if txt==None:
    atxt = "结果共" 
  else:
    atxt = txt + "字词共"
  print(atxt,len(rlt),"条，具体为：\n",rlt)
  return rlt


def main():
  from txt import zixue_x as content #加载想要统计的内容,string type
  import datetime

  print("---begin---",datetime.datetime.now())

  rlt1s = cipin_1(content)
  rlt2s = cipin_x(content,rlt1s,rlt1s)
  rlt3s = cipin_x(content,rlt1s,rlt2s)
  rlt4s = cipin_x(content,rlt1s,rlt3s)
  rlt5s = cipin_x(content,rlt1s,rlt4s)
  rlt6s = cipin_x(content,rlt1s,rlt5s)
  rlt7s = cipin_x(content,rlt1s,rlt6s)

  sorted_dic(rlt1s,"单")
  sorted_dic(rlt2s,"双")
  sorted_dic(rlt3s,"3")
  sorted_dic(rlt4s,"4")
  sorted_dic(rlt5s,"5")
  sorted_dic(rlt6s,"6")
  sorted_dic(rlt7s,"7")

  print("---end---",datetime.datetime.now())

if __name__ == "__main__":
  main()

这篇文章的 PRESS.one 签名: press.one/file/v?s=33…

总结