标签：word Python text 练习 词频 用词 Spark txt freq

一、安装Spark

1. 检查基础环境hadoop,jdk
2. 下载spark
3. 解压，文件夹重命名、权限
4. 配置文件
5. 环境变量
6. 试运行Python代码

1.jdk、hadoop环境

 

 

 

2.spark环境

 

 

 

 

 

 

 

二、Python编程练习：英文文本的词频统计

1. 准备文本文件
2. 读文件
3. 预处理：大小写，标点符号，停用词
4. 分词
5. 统计每个单词出现的次数
6. 按词频大小排序
7. 结果写文件

 1.准备文本文件

 

 

 2.读文本

text = open('test.txt','r',encoding='utf-8').read()
len(text)
3.预处理:大小写，标点符号，停用词、分词、统计词频

#全部字符变成小写字符
text = text.lower()

#读取停用词，创建停用词表
stwlist = [line.strip() for line in open （'test1.txt',encoding='utf-8').readlines()]


#先进行分词
words = jieba.cut(text,cut_all = False,HMM = True)
#cut_all:是否采用全模式
#HMM：是否采用HMM模型

#去停用词,统计词频
word_ = {}
for word in words:
if word.strip() not in stwlist:
if len(word) > 1:
if word != '\t':
if word != '\r\n':
#计算词频
if word in word_:
word_[word] += 1
else:
word_[word] = 1

#将词汇和词频以元组的形式保存
word_freq = []
for word,freq in word_.items():
word_freq.append((word,freq))

4.词频排序

#进行降序排列
word_freq.sort(key = lambda x:x[1],reverse = True)

5.写入文件

txt = open("test11.txt", "w", encoding='UTF-8')
txt.write(str(word_freq))

 

 

 

 

标签：word,Python,text,练习,词频,用词,Spark,txt,freq
来源： https://www.cnblogs.com/wjp11/p/15973002.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。