Python 计算多个文件中的字频
我试图编写一个代码来计算包含大约10000个文件的文档中单词出现的频率,但是我没有得到总体频率,而是得到最后一个文件的单词数,因为它将覆盖上一次迭代。到目前为止,我的代码是:Python 计算多个文件中的字频,python,python-3.x,frequency,word-frequency,Python,Python 3.x,Frequency,Word Frequency,我试图编写一个代码来计算包含大约10000个文件的文档中单词出现的频率,但是我没有得到总体频率,而是得到最后一个文件的单词数,因为它将覆盖上一次迭代。到目前为止,我的代码是: import csv import glob import re def main(): file_list = glob.glob(TARGET_FILES) for file in file_list: with open(file, 'r', encoding='UTF-8', e
import csv
import glob
import re
def main():
file_list = glob.glob(TARGET_FILES)
for file in file_list:
with open(file, 'r', encoding='UTF-8', errors='ignore') as f_in:
doc = f_in.read()
def get_data(doc):
vdictionary = {}
w = csv.writer(open("output1.csv", "w",newline=''))
tokens = re.findall('\w+', doc)
for token in tokens:
if token not in vdictionary:
vdictionary[token] = 1
else:
vdictionary[token] += 1
for key, val in vdictionary.items():
w.writerow([key, val])
我认为问题在于每次迭代都会清空csv文件。如果您使用:
w = csv.writer(open("output1.csv", "a",newline=''))
而不是
w = csv.writer(open("output1.csv", "w",newline=''))
??我猜你会得到每个文件的计数。如果是这种情况,您应该制作一个字典,为每个文件更新字典,并且只在最后将其写入csv文件
您可以得到一本这样的词典:
def get_data(doc, vdictionary):
tokens = re.findall('\w+', doc)
for token in tokens:
if token not in vdictionary:
vdictionary[token] = 1
else:
vdictionary[token] += 1
return vdictionary
def main():
files = {get your files}
vdictionary = {}
for file in files:
vdictionary = get_data(file, vdictionary)
w = csv.writer(open("output1.csv", "w",newline=''))
for key, val in vdictionary.items():
w.writerow([key, val])
我认为问题在于每次迭代都会清空csv文件。如果您使用:
w = csv.writer(open("output1.csv", "a",newline=''))
而不是
w = csv.writer(open("output1.csv", "w",newline=''))
??我猜你会得到每个文件的计数。如果是这种情况,您应该制作一个字典,为每个文件更新字典,并且只在最后将其写入csv文件
您可以得到一本这样的词典:
def get_data(doc, vdictionary):
tokens = re.findall('\w+', doc)
for token in tokens:
if token not in vdictionary:
vdictionary[token] = 1
else:
vdictionary[token] += 1
return vdictionary
def main():
files = {get your files}
vdictionary = {}
for file in files:
vdictionary = get_data(file, vdictionary)
w = csv.writer(open("output1.csv", "w",newline=''))
for key, val in vdictionary.items():
w.writerow([key, val])
我认为您的问题是,每次调用get_data时,您都在用该文件中的计数重写csv(我认为)。相反,您可以创建一个字典,然后对所有文件的每个文件中的每个单词进行遍历和计数,然后输出到
w.writerow([key,val])
本质上,不要每次浏览文件时都输出到csv。浏览所有文件,更新一个主词典,然后输出到csv 我认为您的问题是,每次调用get_data时,您都在用该文件中的计数重写csv(我认为)。相反,您可以创建一个字典,然后对所有文件的每个文件中的每个单词进行遍历和计数,然后输出到
w.writerow([key,val])
本质上,不要每次浏览文件时都输出到csv。浏览所有文件,更新一个主词典,然后输出到csv 您的代码定义了两个从未调用过的函数。他们甚至不打电话给对方。当您的代码是这样一个不完整的程序时,很难判断它应该做什么。但是我注意到输出文件的名称是硬编码的(“output1.csv”)。您可以在每次迭代中选择不同的文件名,也可以在追加模式下打开文件并将所有结果写入同一个文件。不管怎么说,我们需要一份工作。如果没有关于预期结果的任何信息,我们无法调试无法工作的代码。似乎每次迭代都会覆盖(基于提供的内容)是正确的。我建议将您的信息存储到
列表中
,这样您就不会被覆盖。您似乎还没有包含所有的代码。(从未调用get_data
和main
函数)您的代码定义了两个从未调用过的函数。他们甚至不打电话给对方。当您的代码是这样一个不完整的程序时,很难判断它应该做什么。但是我注意到输出文件的名称是硬编码的(“output1.csv”)。您可以在每次迭代中选择不同的文件名,也可以在追加模式下打开文件并将所有结果写入同一个文件。不管怎么说,我们需要一份工作。如果没有关于预期结果的任何信息,我们无法调试无法工作的代码。似乎每次迭代都会覆盖(基于提供的内容)是正确的。我建议将您的信息存储到列表中
,这样您就不会被覆盖。您似乎还没有包含所有的代码。(从未调用get_data
和main
函数)追加不起作用,因为我认为他想要在所有文件中计算一个单词的数量。如果一个单词出现在多个文件中,如果他附加了,它将有单独的条目。@WilliamGodel你说得对,谢谢。快速测试仍然很有用,以确定这是否确实是导致错误的原因。我添加了一点说明如何从那里继续。Np。你是对的,如果append有效,它就可以识别问题。append无效,因为我认为他需要在所有文件中计算一个单词的数量。如果一个单词出现在多个文件中,如果他附加了,它将有单独的条目。@WilliamGodel你说得对,谢谢。快速测试仍然很有用,以确定这是否确实是导致错误的原因。我添加了一点说明如何从那里继续。Np。你是对的,如果append起作用,它就能识别问题。