用python统计水吧帖子的词频

中文分词效果好用又简单的包，我认为就是jieba了。
主要功能是分词，其余功能请看jieba文档

jieba.cut方法
接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型

jieba.cut_for_search方法
接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8

jieba.cut以及jieba.cut_for_search
返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用jieba.lcut以及jieba.lcut_for_search直接返回 list

jieba.Tokenizer(dictionary=DEFAULT_DICT)
新建自定义分词器，可用于同时使用不同词典。jieba.dt
为默认分词器，所有全局分词相关函数都是该分词器的映射。

示例代码：

# encoding=utf-8

import jieba



seg_list = jieba.cut("我来到北京清华大学", cut_all=True)

print("Full Mode: " + "/ ".join(seg_list))  # 全模式



seg_list = jieba.cut("我来到北京清华大学", cut_all=False)

print("Default Mode: " + "/ ".join(seg_list))  # 精确模式



seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式

print(", ".join(seg_list))



seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")  # 搜索引擎模式

print(", ".join(seg_list))

输出:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【新词识别】：他, 来到, 了, 网易, 杭研, 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学,    

分析云麓园BBS水吧文本,生成词频统计（单词和单词的频次）

现在上我的代码，大家看完了可以下载我的资料简单的运行一下

import jieba

import time



path = r'E:\Python\Projects\Dig_text\云麓园\云麓水吧.txt'

read_txt = open(path, 'r')

ShuiBa_word_list = []

ShuiBa_word_set = set()

for line in read_txt.readlines():

    line = line.replace(' ', '')

    line = line.strip('\n')

    word_list = jieba.lcut(line, cut_all=False)  #cut_all=false精准模式

    word_set = set(word_list)

    # 汇总水吧的所有词语的列表（有顺序，重复）

    ShuiBa_word_list = ShuiBa_word_list + word_list

    # 得到水吧所有词语的集合（无顺序，不重复）

    ShuiBa_word_set = ShuiBa_word_set.union(word_set)



for word in ShuiBa_word_set:

    fre = ShuiBa_word_list.count(word)

    print(word, str(fre))  #打印词语及其频率