Python 合并多个TXT文件并统计词频

Python 合并多个TXT文件并统计词频

author: he xiaodong date: 2019-08-22

需求是:针对三篇英文文章进行分析,计算出现次数最多的 10 个单词

逻辑很清晰简单,不算难,使用 python 读取多个 txt 文件,将文件的内容写入新的 txt 中,然后对新 txt 文件进行词频统计,得到最终结果。

代码如下:(在Windows 10,Python 3.7.4环境下运行通过)

# coding=utf-8

import re
import os

# 获取源文件夹的路径下的所有文件
sourceFileDir = 'D:\\Python\\txt\\'
filenames = os.listdir(sourceFileDir)

# 打开当前目录下的 result.txt 文件,如果没有则创建
# 文件也可以是其他类型的格式,如 result.js
file = open('D:\\Python\\result.txt', 'w')

# 遍历文件
for filename in filenames:
    filepath = sourceFileDir+'\\'+filename
    # 遍历单个文件,读取行数,写入内容
    for line in open(filepath):
        file.writelines(line)
        file.write('\n')

# 关闭文件
file.close()


# 获取单词函数定义
def getTxt():
    txt = open('result.txt').read()
    txt = txt.lower()
    txt = txt.replace('’', '\'')
    # !"@#$%^&*()+,-./:;<=>?@[\\]_`~{|}
    for ch in '!"’@#$%^&*()+,-/:;<=>?@[\\]_`~{|}':
        txt.replace(ch, ' ')
        return txt

# 1.获取单词
hamletTxt = getTxt()

# 2.切割为列表格式,'’ 兼容符号错误情况,只保留英文单词
txtArr = re.findall('[a-z\'’A-Z]+', hamletTxt)

# 3.去除所有遍历统计
counts = {}
for word in txtArr:
    # 去掉一些常见无价值词
    forbinArr = ['a.', 'the', 'a', 'i']
    if word not in forbinArr:
        counts[word] = counts.get(word, 0) + 1

# 4.转换格式,方便打印,将字典转换为列表,次数按从大到小排序
countsList = list(counts.items())
countsList.sort(key=lambda x: x[1], reverse=True)

# 5. 输出结果
for i in range(10):
    word, count = countsList[i]
    print('{0:<10}{1:>5}'.format(word, count))

效果如下图:
python 统计词频结果图

另一种更简单的统计词频的方法:

# coding=utf-8
from collections import Counter

# words 为读取到的结果 list
words = ['a', 'b' ,'a', 'c', 'v', '4', ',', 'w', 'y', 'y', 'u', 'y', 'r', 't', 'w']
wordCounter = Counter(words)
print(wordCounter.most_common(10))

# output: [('y', 3), ('a', 2), ('w', 2), ('b', 1), ('c', 1), ('v', 1), ('4', 1), (',', 1), ('u', 1), ('r', 1)]