Python找出文件中使用率最高的汉字实例详解

本文实例讲述了Python找出文件中使用率最高的汉字的方法。分享给大家供大家参考。具体分析如下：

这是我初学Python时写的，为了简便，我并没在排序完后再去掉非中文字符，稍微会影响性能（大约增加了25％的时间）。

# -*- coding: gbk -*- import codecs from time import time from operator import itemgetter def top_words(filename, size=10, encoding='gbk'):   count = {}   for line in codecs.open(filename, 'r', encoding):     for word in line:       if u'/u4E00' <= word <= u'/u9FA5' or u'/uF900' <= word <= u'/uFA2D':         count[word] = 1 + count.get(word, 0)   top_words = sorted(count.iteritems(), key=itemgetter(1), reverse=True)[:size]   print '/n'.join([u'%s : %s次' % (word, times) for word, times in top_words]) begin = time() top_words('空之境界.txt') print '一共耗时 : %s秒' % (time()-begin) 

如果想用上新方法，以及让join的可读性更高的话，这样也是可以的：

# -*- coding: gbk -*- import codecs from time import time from operator import itemgetter from heapq import nlargest def top_words(filename, size=10, encoding='gbk'):   count = {}   for line in codecs.open(filename, 'r', encoding):     for word in line:       if u'/u4E00' <= word <= u'/u9FA5' or u'/uF900' <= word <= u'/uFA2D':         count[word] = 1 + count.get(word, 0)   top_words = nlargest(size, count.iteritems(), key=itemgetter(1))   for word, times in top_words:     print u'%s : %s次' % (word, times) begin = time() top_words('空之境界.txt') print '一共耗时 : %s秒' % (time()-begin) 

或者让行数更少（好囧的列表综合）：

# -*- coding: gbk -*- import codecs from time import time from operator import itemgetter def top_words(filename, size=10, encoding='gbk'):   count = {}   for word in [word for word in codecs.open(filename, 'r', encoding).read() if u'/u4E00' <= word <= u'/u9FA5' or u'/uF900' <= word <= u'/uFA2D']:     count[word] = 1 + count.get(word, 0)   top_words = sorted(count.iteritems(), key=itemgetter(1), reverse=True)[:size]   print '/n'.join([u'%s : %s次' % (word, times) for word, times in top_words]) begin = time() top_words('空之境界.txt') print '一共耗时 : %s秒' % (time()-begin) 

此外还可以引入with语句，这样只需一行就能获得异常安全性。
3者性能几乎一样，结果如下：

的 : 17533次是 : 8581次不 : 6375次我 : 6168次了 : 5586次一 : 5197次这 : 4394次在 : 4264次有 : 4188次人 : 4025次一共耗时 : 0.5秒

引入psyco模块的成绩：

的 : 17533次是 : 8581次不 : 6375次我 : 6168次了 : 5586次一 : 5197次这 : 4394次在 : 4264次有 : 4188次人 : 4025次一共耗时 : 0.280999898911秒

注：测试文件为778KB的GBK编码，40余万字。