最近突然对python感兴趣，就学了起来。我可怜的计算机基础只有VB，而且学的时候这门课还特别水，仅仅了解了语法，考试基本上是背题过的。

现在自学python还是比较吃力。今天捣鼓了一下午，搞出了一个词频统计的程序，敲了三四十行代码，还是十分有成就感。本着输出是为了更好的理解知识的初心，我来谈谈我是怎么写的，用的那些方法。毕竟是刚接触的小白，很有地方走了弯路，用的可能不是很好的方法，很多理解上或许有很多偏差。 不过没关系，有大佬指出我错误的地方，我会很感激的；若有同小白的受到了启发，我会很开心的。

先说说词频统计我是怎么想的，用到了什么方法？再谈谈我遇到的困难和展现的实际效果。最后放出我的代码

词频统计肯定是要对字符串进行处理。将英文的单词，中文的词语给拧出来，还要统计他们出现的次数，最后再做个排序，通常是从高到低。英文进行分词不需要用到第三方库，直接使用".spite()"方法进行处理就行了。中文的分词要用到“jieba(结巴)”库，再敲一行代码就可以了。

words = jieba.lcut(txt) #words 是分开的一个一个词的集合，txt是要分词的文本

等等，既然我有两种分词的方式，一个是对英文的，另一个是对中文的，而且要写在一个程序里面。我需要做一个分支结构，谁知道我某天要拿中文还是英文来做词频统计呢？于是我用if else 语句做了一个简单的分支。

print("1.英文单词词频统计。\n2.中文词语频率统计。")

option = input("请选择要进行的词频统计类型，填数字:")

if option == 1:

.........

else:

做到这里，该想想到底该怎么进行统计。我要打开一份文件，怎么打开呢？其实也不难不过我发现英文和中文还是不一样的。请看代码。

txt = open( s ,"r") #s表示文件所在的路径。“r”表示只读，当然还有其他模式

txt = open( s ,"r",encoding='utf-8') #后面多了一串是为了可以对中文进行分词，英文不用写

顺便就用一个变量 s(或者其他)作为一个输入值，这样我打包之后就可以对各种文本进行词频统计。不过我发现，这只能导入txt文件，doc，pdf不行。所以还得多一步新建一个记事本。

怎么统计词频，当然是使用字典键值一一对应。把分好的词导入到词典里，使用遍历循环，若有相同的词，后面的值就加一，岂不妙哉？方法明晰了，实现则对于我这个小白来说有些困难。就把分好的一堆词叫做words，word表示一个词，当然还要建立一个词典使用for in语句，从words中取出每一个word，并在词典里进行判断。若word在词典里，那太好了，后面的值加一，若不在，那么新建一个索引(或者项，术语我忘记了，懒得查了)，默认值为1。这样就可以进行统计了。代码如下：

for word in words:

if word not in cidian:

cidian[word] = 1

else:

cidian[word] = cidian[word] + 1

接下来就是排序，根据词频将单词或词语排列出来。

为了方便先将词典转换为列表。然后列表有一个sort方法(说来惭愧，具体原理我不太清楚)，可以按值的大小从小到大排(之所以这么说是因为“升序”“降序”我傻傻分不清)，然后在翻转过来就可以了。代码如下：

items = list(cidian.items()) #cidian 是词典

items.sort(key=lambda x: x[1], reverse=True)

最后用range函数打印出来就可以了，打印多少由你来定。代码就不放了，想看的就放在最后了。

简单的运行了一下，发现问题还不少。比如英文中奇怪的标点符号，大小写问题等等，中文中一堆单个的词。那么就要把他们清除掉，使用replace，lower等等。做个if语句如果，中文单词只有一个那么就不要统计了，有些同义的词语可以“合并同类项”这些就是多写几个if分支的问题了。最后使用pyinstaller进行打包搞定。不过打包之后的exe文件竟然有200多m那么大，我简直懵逼了。也不清楚为啥，我也只用了jieba一个库呀。希望有大佬能够解答。不到40行的代码，却有200兆。

我对哈佛大学幸福课的文本进行了统计，效果如下。

效果还可以，但还可以进行优化，比如把那些连词去掉，还有“我们”“你们”等给去掉。不过也可以看出老师多次强调“自尊”“积极”“快乐”“成功”等词。

好了，今天所有要分享的内容都在这里了，希望对python感兴趣的朋友们点个赞，留个言，共同探讨学习。

最后附上全代码。

print("该程序可以进行词频统计。\n请注意选择中文词语或者英文单词。")

print("1.英文单词词频统计。\n2.中文词语频率统计。")

# noinspection PyUnresolvedReferences

import jieba

cidian = {}

k = 1

while k > 0:

option = input("请选择要进行的词频统计类型，填数字:")

wenben = input("注意文件路径格式。\n例如：E:\\python学习\\03实战演练\\文本.txt\n请输入文件路径：")

if option == 1:

txt = open(wenben, "r").read()

txt = txt.lower(txt)

for n in '.,?!':

txt = txt.replace(n," ")

words = txt.split()

for word in words:

if word not in cidian:

cidian[word] = 1

else:

cidian[word] = cidian[word] + 1

else:

txt = open(wenben, "r", encoding='utf-8').read()

words = jieba.lcut(txt)

for word in words:

if len(word) == 1:

continue

else:

if word not in cidian:

cidian[word] = 1

else:

cidian[word] = cidian[word] + 1

items = list(cidian.items())

items.sort(key=lambda x: x[1], reverse=True)

num = eval(input("你想显示前多少个最高单词/词语："))

for i in range(num):

word, count = items[i]

print("{0:<10}{1:>5}".format(word, count))