统计拼音字母使用频率 python
2016-01-20 12:53
453 查看
样本来源:《人民日报》
工具:python 2.7.10
环境:windows
先贴上结果:
字母“i”使用频率最高,达到了13.5%;
“n”的使用频率次之,为12.9%;
最低的是“v”,即汉语拼音中的“yu”,使用频率为0.19%。
其中 q 与 t ,m 与 r 差别较小,分别差0.01%和0.04%
下面是详细步骤:
1.取样:
用python编了个爬虫,把《人民日报上》半年的新闻标题和正文抓取下来,共287w个汉字。
这是python爬虫的源码:
需要注意的是《人民日报》中每篇文章的链接由两部分组成,但在每篇新闻页面的源代码中只有后半部分,所以需要我们将它与前半部分合在一起,所以代码中有url_base和url_org。
得到的样本如下:
这个样本里有大量的数字和英文字母,我们稍微处理一下,把里面的中文找出来
正则表达式中 \x80-\xff 是UTF-8编码中,汉字和标点的集
得到的结果是这样的:
2.把汉字转化为拼音字母:
在这感谢 "超江_" 大家请移步到 http://blog.csdn.net/g19920917/article/details/42963659
安装他的 xpinyin库 后,运行如下代码
得到的结果:
提取字母:
结果:
3.统计拼音字母使用频数和频率
运行结果:
得到的数据在excel中稍微整理一下就能得到文章开头的结果。
以上是不严谨的统计分析,仅供参考
工具:python 2.7.10
环境:windows
先贴上结果:
字母“i”使用频率最高,达到了13.5%;
“n”的使用频率次之,为12.9%;
最低的是“v”,即汉语拼音中的“yu”,使用频率为0.19%。
其中 q 与 t ,m 与 r 差别较小,分别差0.01%和0.04%
下面是详细步骤:
1.取样:
用python编了个爬虫,把《人民日报上》半年的新闻标题和正文抓取下来,共287w个汉字。
这是python爬虫的源码:
需要注意的是《人民日报》中每篇文章的链接由两部分组成,但在每篇新闻页面的源代码中只有后半部分,所以需要我们将它与前半部分合在一起,所以代码中有url_base和url_org。
得到的样本如下:
这个样本里有大量的数字和英文字母,我们稍微处理一下,把里面的中文找出来
正则表达式中 \x80-\xff 是UTF-8编码中,汉字和标点的集
得到的结果是这样的:
2.把汉字转化为拼音字母:
在这感谢 "超江_" 大家请移步到 http://blog.csdn.net/g19920917/article/details/42963659
安装他的 xpinyin库 后,运行如下代码
得到的结果:
提取字母:
结果:
3.统计拼音字母使用频数和频率
运行结果:
得到的数据在excel中稍微整理一下就能得到文章开头的结果。
以上是不严谨的统计分析,仅供参考
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法