Quiero aprender cómo mostrar las diez palabras más recurrentes en un archivo y mostrar cuantas veces se repiten en Python. El archivo txt puede contener puntos, comas y caracteres especiales. Agradezco su ayuda.
-
Por favor leer Cómo preguntar y ejemplo mínimo verificable. Para poder ayudarte debes mostrar el código de lo que hayas intentado, explicando con claridad el problema o dificultad encontrada y el comportamiento deseado. Tal como está redactada tu pregunta, parece que nos pides que lo hagamos por ti. Así nunca aprenderás. Saludos– Mauricio Contrerasel 10 mar. 2021 a las 6:38
2 respuestas
Haciendo uso de algunas funciones de utilidad proporcionadas por Python, el código puede reducirse a unas pocas líneas.
- El método
str.translate()
permite realizar múltiples sustituciones a la vez en una cadena. Las sustituciones a realizar se proporcionan en un parámetro que básicamente establece un mapeo de qué caracteres se quieren cambiar a qué otros se quieren poner en su lugar. - Ese mapeo se crea con
str.maketrans()
y podemos usarlo para que todos los signos de puntuación se mapeen a espacios. collections.Counter
implementa un contador. Le pasas una lista de lo que sea (en este caso de palabras) y te retorna un objeto que se comporta como un diccionario en el que cada palabra es una clave, y el valor es el número de veces que aparece repetida. Este objeto además tiene el método.most_common(N)
que te devuelve los N valores (palabras en este caso) más frecuentes.
Haciendo uso de estas facilidades, la cosa queda así:
from collections import Counter
entrada = txt
signos = ".,:;-[]{}()'\"@/¿?¡!"
a_espacios = str.maketrans(signos, " "*len(signos))
palabras = str.translate(entrada, a_espacios).lower().split()
contador = Counter(palabras)
print(contador.most_common(10))
Si le meto como texto de entrada el Quijote, que se puede obtener así:
txt = requests.get("https://gist.githubusercontent.com/jsdario/"
"6d6c69398cb0c73111e49f1218960f79/raw/8d4fc4548d437e2a7203a5aeeace5477f598827d"
"/el_quijote.txt").text
el resultado que sale es:
[
('que', 10738), ('de', 9043), ('y', 8684),
('la', 5014), ('a', 4818), ('en', 4047),
('el', 3857), ('no', 3122), ('se', 2382), ('los', 2150)
]
Cosas a tomar en cuenta
Los caracteres:
Es necesario eliminar los símbolos que podrían obstaculizar la comparación de las palabras, tales como las comas, puntos, paréntesis, etc. Ya que palabra! y palabra no son lo mismo.
Las mayúsculas:
Para que la comparación no falle en casos como Palabra y palabra.
Solución
# Texto usado:
# Lorem Ipsum! Lorem ipsum dolor sit amet, consectetur adipiscing elit.
# Integer sem enim, eleifend et iaculis eu.
# Abre y lee archivo txt
with open('archivo.txt', 'r') as f:
texto = f.read()
# Lista de caracteres no deseados
no_deseados = [',','.','¡','!','¿','?','(',')','"',"'"]
for char in no_deseados:
texto = texto.replace(char,'')
# Crea lista de palabras convertidas en minuscula
palabras = texto.lower().split()
def cuenta_repetidas(p, palabras):
""" Cuenta las palabras de la lista """
return {p:palabras.count(p)}
# Obtiene una lista de diccionarios con key: palabra y value: n. de veces repetida
dict_list = [cuenta_repetidas(p, palabras) for p in palabras]
# Elimina los resultados repetidos
resultados = [i for n, i in enumerate(dict_list) if i not in dict_list[n + 1:]]
# Ordena los resultados
res_ordenados = sorted(resultados, key=lambda d: list(d.values()), reverse=True)
# Obtiene los primeros 10 resultados
primeros10 = res_ordenados[:10]
# Imprime los primeros 10 resultados
for d in primeros10:
for k, v in d.items():
print(k, v, sep=': ')
Devuelve
lorem: 2
ipsum: 2
dolor: 1
sit: 1
amet: 1
consectetur: 1
adipiscing: 1
elit: 1
integer: 1
sem: 1