语料中筛选出英文单词并统计词频,正则切割匹配
发布时间:2020-12-14 01:32:50 所属栏目:百科 来源:网络整理
导读:1.正则的使用匹配 2.dic.setdefault()的使用 3、内建函数enumerate(sequence,start=0)的使用 4、内建函数sorted(),key,reversed参数设置 5、str.lower()string大小写转换 #coding:utf-8import reimport osimport timeimport codecsPATH = os.path.dirname(__
1.正则的使用匹配 2.dic.setdefault()的使用 3、内建函数enumerate(sequence,start=0)的使用 4、内建函数sorted(),key,reversed参数设置 5、str.lower()string大小写转换 #coding:utf-8 import re import os import time import codecs PATH = os.path.dirname(__file__) s = u'what a Beautiful woRld'.lower() pattern = re.compile(u'[^a-z]+',re.U)#在非英文出进行切割 for con in pattern.split(s.lower()):#将所有英文转化为小写 if len(con) <= 1: continue else: print con def get_english_words(): '''过滤出语料中夹杂在汉语中的英文单词,并统计出现的词频''' eng_freq_dic = {} pattern = re.compile(u'[^a-z]+',re.U) cut_filename = r'E:SVNlinguistic_modeldatacombine_msg_comment.txt' with codecs.open(cut_filename,encoding='utf-8') as f: for line in f.readlines(): for con in pattern.split(line.lower()): if len(con) <= 1:#过滤掉单字母 continue else: count = eng_freq_dic.setdefault(con,0) + 1 #若没有该key,则保存该key且设value其为0。若有则value加1 eng_freq_dic[con] = count#整个英文单词及其出现的频度 eng_filename = os.path.join(PATH,'english_words_original.txt') eng_to_write_list = sorted([(k,v) for (k,v) in eng_freq_dic.items()],key=lambda x:x[1],reverse=True)#按照词频的高低进行倒序排列 codecs.open(eng_filename,mode='wb',encoding='utf-8').writelines([item[0]+'t'+str(item[1])+'n' for item in eng_to_write_list])#词频为int类型,转化为str类型以后写入到本地文件中 def chose_top_n(): '''筛选出top2000,并写入到文件''' line_list = [] filename = os.path.join(PATH,'english_words_original.txt') with codecs.open(filename,encoding='utf-8') as f: for index,line in enumerate(f.readlines(),start=1):#enumerate(sequence,start=0)用法,显示可迭代序列中元素及其位置,start参数可以确定起始下标,默认情况下为0 print index,line.strip() time.sleep(1) line_list.append(line) if index == 2000: top_filename = os.path.join(PATH,'top_2000_english_words.txt') codecs.open(top_filename,encoding='utf-8').writelines(line_list) break (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |