复合数据类型，英文词频统计

该作业要求来源于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2696

一.列表，元组，字典，集合分别如何增删改查及遍历。

1.列表：

2.元组：

3.字典：   

  d={'a':10,'b':20,'c':30}

4.集合：

二.总结列表，元组，字典，集合的联系与区别。参考以下几个方面：

（1）括号

         列表[]；  元组（）； 字典{}；集合（）或者{}

（2）有序无序

       列表和元组有序，字典和集合无序

（3）可变不可变

       列表，字典可变，元组不可变，集合可变也可不变

（4）重复不可重复

       列表，元组，字典可重复，集合不可重复

（5）存储与查找方式

      列表：存储在连续的内存地址中，利用下标索引号查找。

      元组：偏移存取，可以进行索引查找

      字典：键-值存储方式 ，通过键查找值

      集合：存储的元素是无序且不重复 ，可以通过in或not in查找

三.词频统计

• 1.准备utf-8编码的文本文件 file

  2.通过文件读取字符串 str

  3.对文本进行预处理

  4.分解提取单词 list

  5.单词计数字典 set , dict

  6.按词频排序 list.sort(key=lambda),turple

  7.排除语法型词汇，代词、冠词、连词等无语义词

  8.输出TOP(20)

• 可视化：词云

代码完整附说明如下所示：

#打开小说文件
f = open("D:\World.txt", 'r')
#定义数组
stop={'a','the','and','i','you','in','but','not','with','by','its','for','of','an','to','my','myself','we','our','ours','ourelves','about','no','nor'}
#读取文件
def gettext():
      sep=",.? ?':' !--!_:"
      text=f.read().lower()
      for c in sep:
            textx=text.replace(c,' ')
      return textx
#对文件进行分解
bList=gettext().split()
print(bList)

#把分解后的词语放在一个集合中

bSet=set(bList)
print(bSet)
#把停用词放在集合中

bStop=set(stop)
#去处停用词

bSet=bSet-bStop
print(bSet)
#定义字典对单词进行统计

bDict={}
for word in bSet:
    bDict[word]=bList.count(word)
print(bDict)
print(bDict.items())
word=list(bDict.items())

#对统计结果进行排序

word.sort(key=lambda  x:x[1],reverse=True)
print(word)

#输出前20的单词
for i in range(20):
    print(word[i])

#对结果输出到text.csv中
import  pandas as pd
pd.DataFrame(data=word).to_csv("D:\text.csv",encoding='utf-8')

如图为运行结果显示

如图为输出到csv的统计结果