看了一个Beyond的纪录片, 提到这个. 觉得心有不甘, 于是搜集了24首歌词, 用Python做了简单分词和词频统计.

源码(包括歌词)在: program-in-chinese/study

统计了总出现次数(词频列表)和词出现在歌曲的数目(词所在文件数列表). 前者算进了所有重复歌词, 后者是算某个词出现在了几首歌中.

“数据”路径下的文件内容分词后，统计每个词出现的次数

源码:

import jieba
import os

所有词 = []
词频表 = {}
词所在文件 = {}
词所在文件数 = {}
路径 = "数据"
for 文件名 in os.listdir(路径):
    print(文件名)
    with open(os.path.join(路径, 文件名)) as 文件:
        内容 = 文件.read()
        分词结果 = jieba.cut(内容)
        for 词 in 分词结果:
            if 词 != " " and len(词) != 1:
                所有词.append(词)
                if 词 in 词频表:
                    词频表[词] += 1
                    词所在文件[词].add(文件名)
                else:
                    词频表[词] = 1
                    词所在文件[词] = set([文件名])

for 词 in 词所在文件:
    词所在文件数[词] = len(词所在文件[词])

# 词频列表 = sorted(词频表.items(), key=lambda d: d[1], reverse=True)
词所在文件数列表 = sorted(词所在文件数.items(), key=lambda d: d[1], reverse=True)
print(词所在文件数列表)

前者的最高频几个中文词(完整的在”所有词频输出.txt”):

(‘多少’, 22), (‘一生’, 21), (‘多么’, 20), (‘理想’, 19), (‘没有’, 19), (‘一天’, 19), (‘Woo’, 18), (‘今天’, 18), (‘心中’, 16), (‘一起’, 16), (‘OH’, 16), (‘唏嘘’, 15), (‘彼此’, 14)

后者的前几位(完整的在”所在文件数.txt”):

(‘多少’, 9), (‘心中’, 8), (‘没有’, 8), (‘一切’, 8), (‘理想’, 7), (‘Woo’, 7), (‘一生’, 7), (‘今天’, 7), (‘唏嘘’, 6), (‘拥有’, 6), (‘可否’, 5), (‘多么’, 5), (‘风雨’, 5), (‘感觉’, 5), (‘天空’, 5), (‘心里’, 5), (‘岁月’, 5)

至少这几首经典里, “理想”比”唏嘘”更多.

觉得如果有个IDE插件能把一些常用的Python操作集合起来, 如果组织得好, 会挺有用. 因为写这个例子里, 包括取目录下的文件, 读取文本文件, 字典排序等等, 自己的第一反应还是到处找现成代码黏贴.