如何统计文章词频（从而更快了解一篇文章）

在一份给定的文件里，词频（term frequency，TF）指的是某一个给定的词语在该文件中出现的次数。一个词语出现的次数越多，越表明是该文件的核心词汇，该词语对于快速理解文章具有重要的意义。接下来就讲讲如何统计中文文章中的词频（代码用python3.6实现）。

1.分词利器-jieba

为什么要用到分词器？因为中文句子是由一个个词语组成，要想统计这些词语在文章中出现的次数，首先第一件事就是要把它与其它词分割开来，jieba就是干的这么一件事。

它支持三种模式

精确模式：试图将句子最精确地切开，适合文本分析；全模式：把句子中所有的可以成词的词语都扫描出来， 速度非常快，但是不能解决歧义；搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。那么在python中怎么使用jieba?很简单，只需要import jieba将其引入就好，对于上面的三种模式分别对应的函数为lcut(句子),lcut(句子，cut_all=True),lcut_for_search(句子)。让我们通过实例更直观地看看这三种模式的差别。

通过结果可以看出，精确模式能将词语精确的分开，全模式则将所有可能的词语都切开，搜索引擎模式在精确模式的基础上，再次对长词分割。另外jieba还可以对词性进行标注，获得词语的位置等。

2.分词后的统计

在拿到jieba分词后的数据后就要对数据进行统计，所谓统计就是看一个词在这篇文章中出现了多少次。脑子里最直接的想法就是对每一个词用一个变量，只要出现这个词就让它对应的变量自增1，但是现实是不知道究竟会出现多少词，要用多少变量。

再细一想，词与它出现的次数之间不是一一对应的关系嘛，就相当于键与值之间的关系，所以用字典的键来存储出现的词，值存储词出现的次数。拿统计英文字母做个示范：

counts就是一个字典，一个for循环遍历英语句子的每一个字符，如果是空格则不进行操作。先看字母是否在字典里，如果没有则加入字典，将值设为1；如果有则将值更新加1。

对中文词语的统计思路一样，也是用字典来对值和键进行存储。下面是对中文分词加统计词频的整体代码：

该例子对一篇新闻报道进行了分词统计，另外加入去除停用词的操作，这样对词语的统计更加准确，得到的结果如图所示

在该文章中疫情出现的次数最多，其次是企业，互联网，再通过文章标题就可以大体知道文章的内容。知道内容不是目的，学到技术才是根本。