題目：

統(tǒng)計一個文件中每個單詞出現(xiàn)的次數(shù)，列出出現(xiàn)頻率最多的5個單詞。

前言：

這道題在實際應用場景中使用比較廣泛，比如統(tǒng)計歷年來四六級考試中出現(xiàn)的高頻詞匯，記得李笑來就利用他的編程技能出版過一本背單詞的暢銷書，就是根據詞頻來記單詞，深受學生喜歡。這就是一個把編程技能用來解決實際問題的典型場景。另外，在數(shù)據分析時，那些詞云效果本質上都是基于詞頻統(tǒng)計來調整字體的大小，如果你能熟練運用Python中的知識來解決問題的話，說明你真的入門Python了。

分析

本題主要考察以下幾個方面的知識點：

1、如何正確讀寫文件

在python中讀寫文件可以使用內置函數(shù)open()，而 open 函數(shù)在python2 和 python3 中有一定的區(qū)別，比如 Python 中可以指定讀寫文件的編碼格式，而 Python 則不可以，為了同時兼容2和3，我們通常會使用io模塊下面的 open 函數(shù)，大家可以查文檔搞清楚它們之間的區(qū)別，培養(yǎng)主動學習能力和查資料的習慣。

另外一點是讀寫文件完成之后是需要關閉文件描述符的，除了可以使用 try...except...finally的語法之后，我們還可以使用更優(yōu)雅的 with … as 的語法來自動關閉文件。

2、如何對數(shù)據進行排序

sorted函數(shù)是一個使用頻率很高的內置函數(shù)，它的用法也很強大，因為它可以通過指定參數(shù) key 來進行自定義排序，也就意味著你不僅可以對數(shù)字排序、對字母排序、還可以對列表、字典、自定義的對象進行排序，你只需要要告訴 sorted 函數(shù)的排序規(guī)則是什么，比如一個people對象，我既可以根據年齡排序也可以根據身高體重來排序，所以這個函數(shù)時非常靈活的，另外，對于列表對象有自帶的 sort 方法，如果能區(qū)分清楚 list.sort 與 sorted 之間區(qū)別那說明你已經能靈活運用了。

3、字典數(shù)據類型的運用

做詞頻統(tǒng)計，用字典無疑是最合適的數(shù)據類型，單詞作為字典的key， 單詞出現(xiàn)的次數(shù)作為字典的 value，很方便地就記錄好了每個單詞的頻率，字典很像我們的電話本，每個名字關聯(lián)一個電話號碼。另外，字典最大的特點就是它的查詢速度會非?？?。理想情況下時間復雜度為O(1)，我是說理想情況，如果你想深入了解字典的話，建議看看這篇文章 https://www.laurentluce.com/posts/python-dictionary-implementation/

4、正則表達式的運用

對文本、字符串處理，正則表達式簡直是神器，無論是做數(shù)據爬蟲還是數(shù)據清洗使用非常廣泛，當然，正則表達式并不是Python特有的東西，所有編程語言都支持，我們要做的除了學習正則表達式還有他的API，只有熟悉了API我們才能運用到實際場景中去。關于正則表達式推薦一篇文章：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html ，另外我還發(fā)現(xiàn)有同學引入了jieba分詞庫，這個庫在做中文分詞非常有用，感興趣的可以去了解一下。

實現(xiàn)

分析完之后，我們實現(xiàn)起來其實是非常快的。所以我們在拿到一個需求的時候，首先肯定是把需求弄清楚，想想大概可以用哪些技術來實現(xiàn)，隨后才是動手寫代碼，其實我們在工作上，真正寫代碼的時間還不到一半。

# -*- coding:utf-8 -*-
import io
import re
class Counter:
 def __init__(self, path):
 """
 :param path: 文件路徑
 """
 self.mapping = dict()
 with io.open(path, encoding="utf-8") as f:
  data = f.read()
  words = [s.lower() for s in re.findall("\w+", data)]
  for word in words:
  self.mapping[word] = self.mapping.get(word, 0) + 1
 def most_common(self, n):
 assert n > 0, "n should be large than 0"
 return sorted(self.mapping.items(), key=lambda item: item[1], reverse=True)[:n]
if __name__ == '__main__':
 most_common_5 = Counter("importthis.txt").most_common(5)
 for item in most_common_5:
 print(item)

打印結果：

('is', 10)
('better', 8)
('than', 8)
('the', 6)
('to', 5)

總結

我在看大家代碼的時候，很多代碼依然存在有命名不規(guī)范（建議讀PEP8），代碼的排版混亂（閱讀起來很困難，建議用Pycharm進行格式化）。還有不少代碼的實現(xiàn)方式看起來很復雜（往往越復雜的代碼Bug越多）。當然，實現(xiàn)方法不是唯一。

比如Python模塊本身就提供了一個collections.Counter的類，它繼承自dict類，就是用于做統(tǒng)計的，我發(fā)現(xiàn)有部分同學使用的就是這個類來實現(xiàn)的，細心的你可能發(fā)現(xiàn)了，我實現(xiàn)的這個Counter和collections下面那個Counter很像，其實這就是造輪子，造輪子可以鍛煉我們的編程思維，當然在工作上有現(xiàn)成的東西就沒必要自己造輪子了，除非你有信心做得更好。你也可以思考思考，假如Python沒有提供Counter這個工具，你該怎么做。

另外，該模塊還提供一個有序的字典對象 OrderedDict，使用它可以免去我們手動排序的操作。最后建議大家學習總結上面我提到的所有內容。如果你能堅持100天，相信你對Python的掌握程度是游刃有余的。

以上所述是小編給大家介紹的Python統(tǒng)計單詞出現(xiàn)的次數(shù)，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網站的支持！

最新評論