Python统计单词出现的次数

题目：

统计一个文件中每个单词出现的次数，列出出现频率最多的5个单词。

前言：

这道题在实际应用场景中使用比较广泛，比如统计历年来四六级考试中出现的高频词汇，记得李笑来就利用他的编程技能出版过一本背单词的畅销书，就是根据词频来记单词，深受学生喜欢。这就是一个把编程技能用来解决实际问题的典型场景。另外，在数据分析时，那些词云效果本质上都是基于词频统计来调整字体的大小，如果你能熟练运用Python中的知识来解决问题的话，说明你真的入门Python了。

分析

本题主要考察以下几个方面的知识点：

1、如何正确读写文件

在python中读写文件可以使用内置函数open()，而 open 函数在python2 和 python3 中有一定的区别，比如 Python 中可以指定读写文件的编码格式，而 Python 则不可以，为了同时兼容2和3，我们通常会使用io模块下面的 open 函数，大家可以查文档搞清楚它们之间的区别，培养主动学习能力和查资料的习惯。

另外一点是读写文件完成之后是需要关闭文件描述符的，除了可以使用 try...except...finally的语法之后，我们还可以使用更优雅的 with … as 的语法来自动关闭文件。

2、如何对数据进行排序

sorted函数是一个使用频率很高的内置函数，它的用法也很强大，因为它可以通过指定参数 key 来进行自定义排序，也就意味着你不仅可以对数字排序、对字母排序、还可以对列表、字典、自定义的对象进行排序，你只需要要告诉 sorted 函数的排序规则是什么，比如一个people对象，我既可以根据年龄排序也可以根据身高体重来排序，所以这个函数时非常灵活的，另外，对于列表对象有自带的 sort 方法，如果能区分清楚 list.sort 与 sorted 之间区别那说明你已经能灵活运用了。

3、字典数据类型的运用

做词频统计，用字典无疑是最合适的数据类型，单词作为字典的key， 单词出现的次数作为字典的 value，很方便地就记录好了每个单词的频率，字典很像我们的电话本，每个名字关联一个电话号码。另外，字典最大的特点就是它的查询速度会非常快。理想情况下时间复杂度为O(1)，我是说理想情况，如果你想深入了解字典的话，建议看看这篇文章 https://www.laurentluce.com/posts/python-dictionary-implementation/

4、正则表达式的运用

对文本、字符串处理，正则表达式简直是神器，无论是做数据爬虫还是数据清洗使用非常广泛，当然，正则表达式并不是Python特有的东西，所有编程语言都支持，我们要做的除了学习正则表达式还有他的API，只有熟悉了API我们才能运用到实际场景中去。关于正则表达式推荐一篇文章：http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html ，另外我还发现有同学引入了jieba分词库，这个库在做中文分词非常有用，感兴趣的可以去了解一下。

实现

分析完之后，我们实现起来其实是非常快的。所以我们在拿到一个需求的时候，首先肯定是把需求弄清楚，想想大概可以用哪些技术来实现，随后才是动手写代码，其实我们在工作上，真正写代码的时间还不到一半。

# -*- coding:utf-8 -*-
import io
import re
class Counter:
 def __init__(self, path):
 """
 :param path: 文件路径
 """
 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)

打印结果：

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

总结

我在看大家代码的时候，很多代码依然存在有命名不规范（建议读PEP8），代码的排版混乱（阅读起来很困难，建议用Pycharm进行格式化）。还有不少代码的实现方式看起来很复杂（往往越复杂的代码Bug越多）。当然，实现方法不是唯一。

比如Python模块本身就提供了一个collections.Counter的类，它继承自dict类，就是用于做统计的，我发现有部分同学使用的就是这个类来实现的，细心的你可能发现了，我实现的这个Counter和collections下面那个Counter很像，其实这就是造*，造*可以锻炼我们的编程思维，当然在工作上有现成的东西就没必要自己造*了，除非你有信心做得更好。你也可以思考思考，假如Python没有提供Counter这个工具，你该怎么做。

另外，该模块还提供一个有序的字典对象 OrderedDict，使用它可以免去我们手动排序的操作。最后建议大家学习总结上面我提到的所有内容。如果你能坚持100天，相信你对Python的掌握程度是游刃有余的。

以上所述是小编给大家介绍的Python统计单词出现的次数，希望对大家有所帮助