未加星标

使用Python简单验证文本的Zipf分布

字体大小 | |
[开发(python) 所属分类 开发(python) | 发布者 店小二04 | 时间 2016 | 作者 红领巾 ] 0人收藏点击收藏

齐普夫定律是语言学专家Zipf在研究英文单词出现的频率时,发现如果把单词出现的频率按由大到小的顺序排列,则每个单词出现的频率与它的名次的常数次幂存在简单的反比关系,这种分布就称为Zipf定律,它表明在英语单词中,只有极少数的词被经常使用,而绝大多数词很少被使用。实际上,包括汉语在内的许多国家的语言都有这种特点。这个定律后来在很多领域得到了同样的验证,例如著名的28定律。

我要分析文本文件中汉字的分布情况,简单验证Zipf分布。

准备要分析的文本文件

我使用一部网络小说做为样本,大小15M,编码格式为UTF-8。

python代码 # Python3 from operator import itemgetter f = open('dou.txt', 'r')# 打开小说 string = f.read() words = [] for wordin string: if word >= u'\u4e00' and word <= u'\u9fff':# 判断是否为汉字 words.append(word) print(len(words)) # 小说总字数 frequency = {} for wordin words: count = frequency.get(word,0) frequency[word] = count + 1 print(len(frequency))# 使用到的汉字个数 for key, valuein reversed(sorted(frequency.items(), key = itemgetter(1))): print(key, value, end='\t') f.close()

执行结果:

4567916# 小说总字数 4562# 使用到的汉字数
使用Python简单验证文本的Zipf分布
我看到了猪角名,你来猜猜看是哪部小说
使用Python简单验证文本的Zipf分布
使用Python简单验证文本的Zipf分布

本文开发(python)相关术语:python基础教程 python多线程 web开发工程师 软件开发工程师 软件开发流程

主题: PythonUT
分页:12
转载请注明
本文标题:使用Python简单验证文本的Zipf分布
本站链接:http://www.codesec.net/view/480520.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 开发(python) | 评论(0) | 阅读(42)