Python统计单词出现的次数_python(2)-木庄网络博客

当前第2页返回上一页

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，其实这就是造轮子，造轮子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轮子了，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。