Python文本文件单词统计优化：排序与去除标点问题

修改后的完整代码 #

import re
from collections import Counter

with open("data/aragon.txt", 'r', encoding='utf-8') as file:
    # 读取文本并转为小写，用正则提取纯单词
    text = file.read().lower()
    words = re.findall(r'\b\w+\b', text)
    # 统计单词次数并按从高到低排序
    wordcount = Counter(words)
    # 遍历输出排序后的结果
    for word, count in wordcount.most_common():
        print(f"{word}\t{count}")

关键修改说明 #

• 过滤标点并统一单词格式：

  • text.lower()将所有文本转为小写，避免Ebro和ebro被统计为两个不同单词；
  • 正则表达式\b\w+\b精准匹配由字母、数字组成的完整单词，自动剔除带标点的内容（比如Ebro,、Spain.会被处理成ebro、spain）。

• 按出现次数排序：

  • 直接调用Counter的most_common()方法，默认返回按出现次数从高到低排序的元组列表，遍历即可输出有序结果。

• 文件操作优化：

  • 使用with语句管理文件，无需手动关闭文件，自动释放资源，避免遗漏关闭导致的问题。

内容的提问来源于stack exchange，提问作者user19965401