在李笑來(lái)所著《時(shí)間當(dāng)作朋友》中有這么一段：

可問(wèn)題在于，當(dāng)年我在少年宮學(xué)習(xí)計(jì)算機(jī)程序語(yǔ)言的時(shí)候，怎么可能想象得到，在20多年后的某一天，我需要先用軟件調(diào)取語(yǔ)料庫(kù)中的數(shù)據(jù)，然后用統(tǒng)計(jì)方法為每個(gè)單詞標(biāo)注詞頻，再寫一個(gè)批處理程序從相應(yīng)的字典里復(fù)制出多達(dá)20MB的內(nèi)容，重新整理……

在新書《自學(xué)是門手藝》中，他再次提及：

又過(guò)了好幾年，我去新東方教書。2003 年，在寫詞匯書的過(guò)程中，需要統(tǒng)計(jì)詞頻，C++ 倒是用不上，用之前學(xué)過(guò)它的經(jīng)驗(yàn)，學(xué)了一點(diǎn) Python，寫程序統(tǒng)計(jì)詞頻 ——《TOEFL 核心詞匯 21 天突破》到今天還在銷售。一個(gè)當(dāng)年 10 塊錢學(xué)費(fèi)開始學(xué)的技能，就因?yàn)檫@本書，這些年給我 “變現(xiàn)” 了很多錢。

正在通過(guò)xue.cn 自學(xué) python 的我順手在 trello 中給自己添加一張卡片： 要不用 python 寫個(gè)統(tǒng)計(jì)詞頻的腳本玩玩？ 這是前不久的事兒了。

今日周末，我翻出這張卡片，打算實(shí)踐看看。下文是我寫詞頻統(tǒng)計(jì)腳本時(shí)的一些思考與實(shí)踐成果。

2、如何把難題拆解為小CASE？

從需求來(lái)看，“統(tǒng)計(jì)詞頻的腳本”是一個(gè)泛泛的需求?！也⒉皇窍胍y(tǒng)計(jì)特定內(nèi)容的詞頻，我希望生成的腳本可以處理各式內(nèi)容。這對(duì)腳本的最終交付成果提出了高要求。

如果請(qǐng)你用 python 寫個(gè)統(tǒng)計(jì)詞頻的腳本，你會(huì)如何寫呢？當(dāng)我正襟危坐，正視這道題目時(shí)，第一秒鐘感知到了為難與膽怯。有個(gè)小人兒在腦袋里說(shuō)：“好難，我做不到吧？”

面對(duì)新事物、新挑戰(zhàn)，人們善于用想象力把困難放的很大。而我已經(jīng)有了多次迎難而上的經(jīng)驗(yàn)，于是我喝了一口苦咖啡，問(wèn)自己：

從哪兒下手呢？不如進(jìn)一步拆解來(lái)看看吧。

需求拆解如下：

“統(tǒng)計(jì)詞頻的腳本”，可以拆分為2個(gè)部分，a) 有哪些詞？b) 統(tǒng)計(jì)這些詞出現(xiàn)的次數(shù)。 b是簡(jiǎn)單的。 a分為2種情況：i) 給定詞庫(kù)；ii) 自己從內(nèi)容中找詞。 i是簡(jiǎn)單的，ii則可能復(fù)雜。

此時(shí)你可能問(wèn)，你是如何判斷簡(jiǎn)單還是復(fù)雜？簡(jiǎn)單吖，根據(jù)自己的編程能力與經(jīng)驗(yàn)，預(yù)判自己能否寫出代碼。

需求經(jīng)過(guò)拆解后，當(dāng)前的重點(diǎn)聚焦于：

如何從內(nèi)容中抓取詞？

其中，內(nèi)容是一個(gè)寬泛的概念。在程序中，它可能是：string 常量，文件，網(wǎng)頁(yè)，api 返回的數(shù)據(jù)如此等等。關(guān)鍵是什么呢？關(guān)鍵是腳本的一線代碼們處理的是 string，列表或字典。其余的文件、網(wǎng)頁(yè)、api 返回?cái)?shù)據(jù)等，無(wú)非是數(shù)據(jù)的載體更為復(fù)雜，我已經(jīng)掌握了把從它們那里獲取數(shù)據(jù)，生成 string、列表或字典的能力。而這個(gè)能力你也能很簡(jiǎn)單獲得，即通過(guò)“python 如何讀取文件數(shù)據(jù)”之類句式，從搜索引擎中找到答案。

一篇文章可以直接定義或讀取為一個(gè) string 常量。而 for i in stringcontent 句式能夠幫我們遍歷 string 統(tǒng)計(jì)單個(gè)字的詞頻。然后雙字詞、三字詞、N字詞等等，都可以由單字詞拼接而成。

難點(diǎn)既然這么快想清楚，那么寫代碼實(shí)現(xiàn)吧！

3、從上帝視角調(diào)控成長(zhǎng)體驗(yàn)

第一個(gè)版本代碼如下圖所示，還是非常簡(jiǎn)便的。我在同個(gè)目錄下，另起一個(gè) poem.py 文件用來(lái)把內(nèi)容定義為常量，供該腳本調(diào)用。

首次測(cè)試的string 常量 poem 是一首中文小詩(shī)，從常理來(lái)說(shuō)，中文詞匯包括漢字1、2、3、4個(gè)，超過(guò) 4 個(gè)的雖有但很少。順著上面的思路，我繼續(xù)把 3字詞、4字詞的代碼也寫出來(lái)了。運(yùn)算結(jié)果正常。

我想試試復(fù)雜的。比如讀取pdf文件。這涉及到一個(gè)我尚未掌握的新知識(shí)點(diǎn)：python如何讀取pdf文件？獲取答案也很容易，搜索然后嘗試。

如果把“統(tǒng)計(jì)詞頻的python腳本”當(dāng)作主線任務(wù)，那么“python如何讀取pdf文件”就是分支任務(wù)啦。在這個(gè)分支任務(wù)上我立即遇到困難：使用 anaconda powshell prompt 安裝第三方庫(kù)時(shí)， pip install pdfminer 命令行執(zhí)行了小段就報(bào)錯(cuò)。

此時(shí)要么在支線任務(wù)中深究下去，要么回歸主線任務(wù)。我選擇回歸主線任務(wù)，但順手在 trello 上給自己建卡“python如何讀取pdf文件”等以后專門來(lái)研究它。

現(xiàn)在，我繼續(xù)專注于詞頻腳本。

除了內(nèi)容載體的復(fù)雜，還可以有內(nèi)容量的冗長(zhǎng)。我拷貝了一篇幾千字的中文文章，定義為 string 常量，然后用剛才調(diào)試通過(guò)的腳本統(tǒng)計(jì)詞頻。

在處理數(shù)百字的小詩(shī)時(shí)，腳本運(yùn)行迅速，結(jié)果幾乎立即被終端打印出來(lái)。而處理這篇長(zhǎng)文時(shí)，終端打印完單字詞、雙字詞的統(tǒng)計(jì)結(jié)果后，就一直沒(méi)有輸出，好似“卡”在那里。于是我強(qiáng)制結(jié)束腳本，在代碼中添加了幾條打印來(lái)檢查程序是否正常運(yùn)行中。由此發(fā)現(xiàn)了一個(gè)“性能”上的問(wèn)題：電腦或編輯器，都沒(méi)有卡住，程序運(yùn)算持續(xù)在進(jìn)行中，只是沒(méi)有運(yùn)算完成。

這篇長(zhǎng)文，單字詞幾百條；按照我的上述代碼邏輯，雙字詞運(yùn)算 幾百*幾百 次，三字詞運(yùn)算 幾百*幾百 *幾百 次，四字詞運(yùn)算 幾百*幾百 *幾百 次。演算一下，具體是多少呢？

4字詞運(yùn)算次數(shù)：467758877041 次

四千六百多億次！難怪遲遲沒(méi)有結(jié)果輸出！看來(lái)代碼本身需要被修改優(yōu)化，以降低計(jì)算量。第二個(gè)版本除了修改算法外，也調(diào)整了代碼結(jié)構(gòu)，使之更易于調(diào)試和增刪。

在這個(gè)版本中，詞頻統(tǒng)計(jì)僅可用于中文，處理幾千字的文章，大概需要1分鐘左右。此時(shí)，一個(gè)下午已經(jīng)過(guò)去了。再次久坐忘動(dòng)的我，決定暫停休息一下，扭扭脖子甩甩胳膊。而且，很重要的一件事是， 把實(shí)踐過(guò)程中的思考與第二個(gè)版本的腳本做一個(gè)階段交付 。

不得不提的是， 寫文章是一個(gè)提升階段交付成就感的小策略 。這也是此文的由來(lái)。當(dāng)然啦，我還要順手在 trello 上給自己添加2張新卡片，等有精力時(shí)繼續(xù)實(shí)踐：

python如何統(tǒng)計(jì)英文文章詞頻？ python統(tǒng)計(jì)中文詞頻的腳本處理十幾萬(wàn)字的書籍時(shí)，性能如何？

在群里談及我在寫的詞頻腳本時(shí)，有位網(wǎng)友提出一個(gè)觀點(diǎn)，“不是程序員，學(xué)編程沒(méi)用”。我想，他肯定是沒(méi)有讀過(guò)李笑來(lái)的書，或者干脆讀過(guò)，只是讀成了另外一個(gè)版本吧！

如果你也在學(xué)習(xí) python 或想要提高自學(xué)能力，歡迎來(lái)xue.cn 聊天室找我 @liujuanjuan1984 ~

def write_rlt(content,dic1,dic2):
  rlt = {}#有該結(jié)果但并沒(méi)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 = "結(jié)果共" 
  else:
    atxt = txt + "字詞共"
  print(atxt,len(rlt),"條，具體為：\n",rlt)
  return rlt


def main():
  from txt import zixue_x as content #加載想要統(tǒng)計(jì)的內(nèi)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,"單")
  sorted_dic(rlt2s,"雙")
  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()

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

總結(jié)

以上所述是小編給大家介紹的python寫程序統(tǒng)計(jì)詞頻的方法,希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺(jué)得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！

最新評(píng)論