python词频统计及其效能分析

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

1) 博客开头给出自己的基本信息，格式建议如下：

学号2017****7128
姓名：肖文秀
词频统计及其效能分析仓库：https://gitee.com/aichenxi/word_frequency1

2) 程序分析，对程序中的四个函数做简要说明。要求附上每一段代码及对应的说明。

process_file作用：打开文件，读取文件到缓冲区，关闭文件

# 读文件到缓冲区
def process_file(file_name):
    try:
        # 打开文件
        file_read=open(file_name,"r")
    except IOError as s:
        print (s)
        return None
    try:
        # 读文件到缓冲区
        bvffer=file_read.read()
    except:
        print ("Read File Error!")
        return None

    #关闭文件
    file_read.close()
    return bvffer

process_buffer作用：读取文件存入字典，处理读取文件时的大小写、符号问题。统计单词出现频率

#缓冲区字符串分割成带有词频的字典
def process_buffer(bvffer):
    if bvffer:
        word_freq = {}
        # 下面添加处理缓冲区 bvffer代码，统计每个单词的频率，存放在字典word_freq

        #将文件大写字母替换为小写 ，解决大小写不同问题
        bvffer=bvffer.lower()

        #将文件中所有替换为标点符号替换为空格
        for i in '.,!?':
            bvffer=bvffer.replace(i, " ")

        #通过空格切分单词，存储类型为列表
        words=bvffer.strip().split()

        #遍历列表中所有单词，设字典中value=0，
        for word in words:
            #判断是否在字典中，若在，value+1，否则，value=0
            if word in word_freq:
                word_freq[word] += 1
            else:
                word_freq[word] = 0

        return word_freq

output_result作用：输出出现频率前10的单词

#将字典按词频排序并输出排名前十的词频对
def output_result(word_freq):
    if word_freq:
        sorted_word_freq = sorted(word_freq.items(), key=lambda v: v[1], reverse=True)
        for item in sorted_word_freq[:10]:  # 输出 Top 10 的单词
            print(item)

main作用：封装主函数，传入文件名称，调用定义函数，并对其传入参数

if __name__ == "__main__":由于使用原本的代码报错，现将原代码改为如下代码

def main():

    #指定文件
    file_name = "Gone_with_the_wind.txt"
    #调用定义函数、传参数
    bvffer = process_file(file_name)
    word_freq = process_buffer(bvffer)
    output_result(word_freq)

if __name__ == "__main__":

    #导入分析Python程序性能监视模块
    import cProfile

    #导入用来分析cProfile输出的文件内容
    import pstats

    # 直接把分析结果打印到控制台
    cProfile.run("main()", "result")

    # 创建Stats对象
    p = pstats.Stats("result")

    # 按照调用的次数排序
    p.strip_dirs().sort_stats("call").print_stats()

    # 按照运行时间和函数名进行排序
    #p.strip_dirs().sort_stats("cumulative", "name").print_stats(0.5)

3) 性能分析结果及改进。

共执行21831次，用时0.657秒

其中执行次数最多的代码：

执行时间最长的代码：

- 给出改进优化方法，根据方法的正确性以及语言描述质量给分，最高2分

问题：输出结果中包含标点符号：”

- 给出改进代码

        #将文件中非字母替换为空格
        for i in [chr(x) for x in range(ord('a'), ord('z') + 1)]:
            if i:
                continue
            else:
                bvffer=bvffer.replace(i, " ")

运行结果：