语料中筛选出英文单词并统计词频,正则切割匹配

前端之家收集整理的这篇文章主要介绍了语料中筛选出英文单词并统计词频,正则切割匹配前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
1.正则的使用匹配
2.dic.setdefault()的使用
3、内建函数enumerate(sequence,start=0)的使用
4、内建函数sorted(),key,reversed参数设置
5、str.lower()string大小写转换
#coding:utf-8
import re
import os
import time
import codecs

PATH = os.path.dirname(__file__)

s = u'what a Beautiful woRld'.lower()
pattern = re.compile(u'[^a-z]+',re.U)#在非英文出进行切割
for con in pattern.split(s.lower()):#将所有英文转化为小写
    if len(con) <= 1:
        continue
    else:
        print con

def get_english_words():
    '''过滤出语料中夹杂在汉语中的英文单词,并统计出现的词频'''
    eng_freq_dic = {}
    pattern = re.compile(u'[^a-z]+',re.U)
    cut_filename = r'E:\SVN\linguistic_model\data\combine_msg_comment.txt'
    with codecs.open(cut_filename,encoding='utf-8') as f:
        for line in f.readlines():
            for con in pattern.split(line.lower()):
                if len(con) <= 1:#过滤掉单字母
                    continue
                else:
                    count = eng_freq_dic.setdefault(con,0) + 1 #若没有该key,则保存该key且设value其为0。若有则value加1
                    eng_freq_dic[con] = count#整个英文单词及其出现的频度
    eng_filename = os.path.join(PATH,'english_words_original.txt')
    eng_to_write_list = sorted([(k,v) for (k,v) in eng_freq_dic.items()],key=lambda x:x[1],reverse=True)#按照词频的高低进行倒序排列
    codecs.open(eng_filename,mode='wb',encoding='utf-8').writelines([item[0]+'\t'+str(item[1])+'\n' for item in eng_to_write_list])#词频为int类型,转化为str类型以后写入到本地文件中

def chose_top_n():
    '''筛选出top2000,并写入到文件'''
    line_list = []
    filename = os.path.join(PATH,'english_words_original.txt')
    with codecs.open(filename,encoding='utf-8') as f:
        for index,line in enumerate(f.readlines(),start=1):#enumerate(sequence,start=0)用法显示可迭代序列中元素及其位置,start参数可以确定起始下标,默认情况下为0
            print index,line.strip()
            time.sleep(1)
            line_list.append(line)
            if index == 2000:
                top_filename = os.path.join(PATH,'top_2000_english_words.txt')
                codecs.open(top_filename,encoding='utf-8').writelines(line_list)
                break

猜你在找的正则表达式相关文章