AI编程（十五）：单词统计器 — 让程序读完一整篇文章

用字典给词频计数，找出一篇文章里最重要的10个词

一、一个真实的场景

你写了一篇文章（或者拿到领导的一篇讲话稿），想知道：

• 这篇文章里哪些词出现得最多？
• 作者嘴上说的重点，和他真正反复强调的，是不是一回事？

手工数？一篇文章几千字，数到明年。

这件事程序最擅长：读取文件 → 把文字拆成词 → 数每个词出现几次 → 排序 → 打印前10名。全程1秒不到。

你可能觉得这是”高级文本分析”。其实不是——用到的全是学过的东西：文件读取（第12篇）、字典（第八篇）、循环、字符串split、排序。

这个小工具也是所有”关键词提取””文本分析”功能的雏形。搜索引擎、舆情监控，底层逻辑都是这个：数词频。

二、先搞懂核心思路

数词频就三步：

1. 拆：把一整篇文章拆成一个个词（用split()，按空格切开）
2. 数：用字典记录每个词出现了几次（词是key，次数是value）
3. 排：按次数从高到低排序，取前几名

第1篇我们看过一个”数字版”的雏形（统计每个字出现几次）。今天升级成：从文件读取、按词统计、排序输出。

三、准备一篇文章

先创建一个测试文章article.txt，随便写点内容（或者粘贴一篇你喜欢的文章）：

人工智能 正在 改变 世界。人工智能 可以 帮助 医生 诊断 疾病，人工智能 可以 帮助 老师 批改 作业。
很多人 担心 人工智能 会 抢走 工作，但 也有人 认为 人工智能 会 创造 新的 工作。
无论如何，学习 人工智能 已经 成为 一种 趋势。学习 编程，学习 人工智能，从现在开始。

保存到和你的Python文件同一个文件夹里。

注意：我故意在词和词之间留了空格。 现实中的中文文章是没有空格的（”人工智能正在改变世界”连在一起），按空格切分会把一整行当成一个”词”。中文分词需要专门的库（比如jieba），那是以后的事。今天我们用这种”已分好词”的文本，先把词频统计的原理搞懂——英文文章天生有空格，拿来就能直接用。

四、先跟AI聊

你的提示词：

用Python写一个单词统计器：读取当前目录下的article.txt文件，把内容按空格拆分成词语，用字典统计每个词出现的次数，最后按次数从高到低排序，打印出现最多的前10个词和它们的次数。加上详细的中文注释。

AI会给你一段代码，大概长这样：

# 打开文件并读取内容
with open("article.txt", "r", encoding="utf-8") as f:
    text = f.read()

# 把文章拆成一个个词
words = text.split()

# 用字典统计每个词的出现次数
count = {}
for word in words:
    if word in count:
        count[word] = count[word] + 1
    else:
        count[word] = 1

# 把字典转成列表，方便排序
items = list(count.items())

# 按出现次数从高到低排序
items.sort(key=lambda x: x[1], reverse=True)

# 打印前10名
print("出现最多的10个词：")
for word, times in items[:10]:
    print(f"{word}: {times}次")

五、逐行理解

第2-3行：读文件

with open("article.txt", "r", encoding="utf-8") as f:
    text = f.read()

第12篇学过这个套路，复习一下：

• open("article.txt", "r")：打开文件，r是read（读）模式
• encoding="utf-8"：告诉Python用UTF-8编码读（读中文必备，忘了它中文会乱码）
• with ... as f：安全打开，读完自动关上
• f.read()：把整个文件内容一次性读出来，存进text变量

现在text就是整篇文章的字符串。

第6行：split() —— 拆词神器

words = text.split()

split()是字符串的方法：按空格把字符串切成一堆小字符串。

比如"今天 天气 真好".split()得到['今天', '天气', '真好']。

不传参数时，它按”任何空白”（空格、换行、Tab）切分，而且多个空格算一个——很省心。

一个小坑：中文没有空格分隔词，所以split()对连着的中文（如”人工智能正在”）会整段当成一个”词”。这就是为什么我们准备的测试文章里用了标点和空格来分隔。真实项目里中文分词需要专门的库（比如jieba），但那是以后的事——今天我们先用最朴素的办法把原理搞懂。

第9-13行：字典计数（第1篇的老朋友）

count = {}
for word in words:
    if word in count:
        count[word] = count[word] + 1
    else:
        count[word] = 1

这段逻辑你在第1篇见过（数字版）。翻译成人话：

• count = {}：准备一个空记事本
• 遍历每个词：如果记事本上已经有这个词了，就在它名字后面画”正”字（次数+1）；如果是第一次见，写上这个词，记1次

循环结束后，count长这样：{'人工智能': 5, '学习': 3, '可以': 2, ...}

第16行：字典 → 列表

items = list(count.items())

字典不能直接排序，但列表可以。所以先把字典转成列表。

count.items()把字典拆成一对一对的：[('人工智能', 5), ('学习', 3), ...]——每对是一个元组，前面是词，后面是次数。

list(...)把这些对转成真正的列表。现在items是一个”元组列表”。

第19行：排序（今天最有含金量的一行）

items.sort(key=lambda x: x[1], reverse=True)

这行有点复杂，拆开看：

• items.sort(...)：给列表排序（原地排序，排完items自己就变了）
• reverse=True：倒着排——从大到小。不加这个参数是从小到大
• key=lambda x: x[1]：按什么排。x[1]是元组的第二个元素（次数），x[0]是词。所以这句的意思是”按次数排，不是按词排”

lambda x: x[1]叫匿名函数——没起名字的迷你函数，意思是”给我一个x，我返回x[1]”。如果这个写法让你头疼，很正常，第一次见都头疼。问AI：”用大白话解释sort的key=lambda参数”。

其实今天你不需要完全吃透lambda，只要知道：这行代码=按次数从大到小排序。

第22-24行：切片取前10

print("出现最多的10个词：")
for word, times in items[:10]:
    print(f"{word}: {times}次")

两个知识点：

切片：items[:10]取列表前10个元素（第八篇学过切片）。如果列表不足10个，有多少取多少，不会报错。

元组解包：for word, times in items[:10] —— 每个元素是('人工智能', 5)这样的元组，直接拆成两个变量word和times。比写for item in items: print(item[0], item[1])清爽多了。

六、运行试试

python word_count.py

用上面的测试文章，输出：

出现最多的10个词：
人工智能: 4次
可以: 2次
帮助: 2次
会: 2次
正在: 1次
改变: 1次
世界。人工智能: 1次
医生: 1次
诊断: 1次
疾病，人工智能: 1次

一眼就看出：这篇文章嘴上讲了很多，其实核心就是”人工智能”和”学习”。

但有两个明显的问题：

1. “世界。人工智能”被当成一个词——因为句号后面没空格，split()认不出来那是两个词
2. “可以””会”这种废话词混在里面——它们出现次数不少，但没有分析价值

这两个瑕疵马上修。

七、第一个改进：过滤停用词

输出里除了真正的关键词，还混着大量”废话词”——”的、了、是、可以、帮助”这种。语言学上叫停用词：出现频率高但没实际含义。

解决办法：准备一个停用词列表，统计时跳过它们。

顺便把标点清掉（用replace()把标点替换成空格）：

# 打开文件并读取内容
with open("article.txt", "r", encoding="utf-8") as f:
    text = f.read()

# 把标点替换成空格（这样split切出来的就是干净的词）
punctuation = "，。！？、；：""''（）《》……——nt"
for p in punctuation:
    text = text.replace(p, " ")

# 停用词列表：这些词没分析价值
stop_words = ["的", "了", "是", "在", "和", "也", "就", "都", "而", "及", "与",
              "可以", "一个", "我们", "你", "我", "他", "这", "那", "有", "要"]

# 拆词
words = text.split()

# 统计（跳过停用词）
count = {}
for word in words:
    if word in stop_words:
        continue  # 是停用词，跳过不统计
    if word in count:
        count[word] = count[word] + 1
    else:
        count[word] = 1

# 排序
items = list(count.items())
items.sort(key=lambda x: x[1], reverse=True)

# 打印前10
print("出现最多的10个词：")
for word, times in items[:10]:
    print(f"{word}: {times}次")

清标点：replace() + 循环

punctuation = "，。！？、；：""''（）《》……——nt"
for p in punctuation:
    text = text.replace(p, " ")

replace(旧, 新)是字符串方法：把”人工智能。”变成”人工智能 “（句号换空格）。一个replace()只能换一种标点，所以套个循环，把标点字符串里的每个字符挨个替换。

清完标点，split()切出来的就是干净的词了——”世界。”变成”世界”。

跳过停用词：continue

if word in stop_words:
    continue

停用词列表就是一个普通列表，in操作检查当前词在不在里面。在的话，continue跳过本次循环（第13篇学过）。

stop_words你可以随时往里加——看统计结果里还有什么废话词，加进去重新跑。

改进后的输出

出现最多的10个词：
人工智能: 7次
学习: 3次
帮助: 2次
会: 2次
工作: 2次
正在: 1次
改变: 1次
世界: 1次
医生: 1次
诊断: 1次

干净多了。”人工智能7次、学习3次”——这篇文章的骨架完全暴露。”世界。人工智能”也被正确拆开了，标点清理生效。

八、第二个改进：显示Top 10（带名次和进度条）

前10已经在打印了？不，这次我们把它做得好看：带名次、带次数、还用字符画个简单的”条形图”：

def show_top(items, n=10):
    """显示前n名，带名次和简单条形图"""
    print(f"n🏆 出现最多的{n}个词：")
    print("-" * 40)

    for i, (word, times) in enumerate(items[:n]):
        # 用重复字符画条形图（1次=2个方块）
        bar = "█" * (times * 2)
        print(f"第{i + 1:>2}名  {word:3}次  {bar}")

等等，新东西有点多。别慌，逐个看。

函数化：把”显示”单独打包

显示逻辑独立成show_top()函数。它只管显示，不管统计——一块代码只干一件事（第14篇刚讲过）。

enumerate() —— 带编号的循环

for i, (word, times) in enumerate(items[:n]):

普通的for word in 列表拿不到”这是第几个”。enumerate()给每个元素配上编号：生成(0, 元组), (1, 元组), (2, 元组)…

所以i是名次（从0开始，打印时+1），(word, times)还是元组解包。

enumerate()是Python内置的，不用import。问AI：”enumerate和直接for循环有什么区别？”——这是个好问题。

"█" * (times * 2) —— 字符串乘法

字符串乘以数字=重复！"█" * 5就是"█████"。出现5次的词，后面就跟10个方块，视觉上一目了然。

这是字符串的一个隐藏技巧，很多教程不讲，但画进度条、画分隔线时特别好用。比如"-" * 40就是一条40字符的分隔线。

f-string的格式化魔法

print(f"第{i + 1:>2}名  {word:3}次  {bar}")

{i+1:>2}、{word:<8}、{times:>3}是什么？

• :>2：右对齐，占2个字符宽
• :<8：左对齐，占8个字符宽
• :>3：右对齐，占3个字符宽

对齐了输出才整齐，不然”人工智能”和”学习”长短不一，后面的数据参差不齐：

第 1名  人工智能    7次  ██████████████
第 2名  学习        3次  ██████

看不懂就运行一下，然后把:<8改成:<20再跑一次，观察变化。改参数观察输出，是最快的学法。

把它接进主程序

# 完整调用
items = list(count.items())
items.sort(key=lambda x: x[1], reverse=True)
show_top(items, 10)

九、第三个改进：支持命令行参数

现在文件名写死为article.txt。想统计别的文件，得改代码。

用sys.argv（命令行参数），让程序变成通用工具：

import sys

def load_words(filename):
    """读取文件，清理标点，返回词语列表"""
    with open(filename, "r", encoding="utf-8") as f:
        text = f.read()

    punctuation = "，。！？、；：""''（）《》……——nt"
    for p in punctuation:
        text = text.replace(p, " ")

    return text.split()

def count_words(words):
    """统计词频，返回排序好的元组列表"""
    stop_words = ["的", "了", "是", "在", "和", "也", "就", "都", "而", "及", "与",
                  "可以", "一个", "我们", "你", "我", "他", "这", "那", "有", "要"]

    count = {}
    for word in words:
        if word in stop_words:
            continue
        if word in count:
            count[word] = count[word] + 1
        else:
            count[word] = 1

    items = list(count.items())
    items.sort(key=lambda x: x[1], reverse=True)
    return items

def show_top(items, n=10):
    """显示前n名"""
    print(f"n🏆 出现最多的{n}个词：")
    print("-" * 40)
    for i, (word, times) in enumerate(items[:n]):
        bar = "█" * (times * 2)
        print(f"第{i + 1:>2}名  {word:3}次  {bar}")


# === 主程序 ===
# 从命令行参数获取文件名
if len(sys.argv) > 1:
    filename = sys.argv[1]
else:
    filename = "article.txt"

print(f"正在分析：{filename}")

try:
    words = load_words(filename)
    items = count_words(words)
    print(f"共读取 {len(words)} 个词，其中不重复的词 {len(items)} 个")
    show_top(items, 10)
except FileNotFoundError:
    print(f"找不到文件 {filename}，请检查文件名和路径！")

sys.argv —— 命令行传参

import sys后，sys.argv是一个列表，装着”运行命令的各个部分”：

python word_count.py 新闻.txt

这时sys.argv = ['word_count.py', '新闻.txt']。sys.argv[0]是脚本自己的名字，sys.argv[1]是第一个参数。

if len(sys.argv) > 1:
    filename = sys.argv[1]
else:
    filename = "article.txt"

有参数就用参数，没有就用默认的article.txt。len(sys.argv) > 1是在防呆：用户没传参数时，sys.argv[1]不存在，直接取会报错。

运行方式：

python word_count.py article.txt
python word_count.py 我的日记.txt
python word_count.py

同一个程序，分析任意文件。这就是”工具”和”一次性代码”的区别。

三个函数的分工

• load_words(filename)：读文件 + 清理 → 返回词列表
• count_words(words)：统计 + 排序 → 返回元组列表
• show_top(items, n)：格式化显示

主程序只有几行：拿参数 → 依次调用三个函数 → 处理文件不存在的错误。

这个结构叫”分层”：每层只管自己的事，出了问题一眼知道去哪层找。你以后写更大的程序，这个思路依然适用。

错误处理

except FileNotFoundError:
    print(f"找不到文件 {filename}，请检查文件名和路径！")

文件不存在会抛FileNotFoundError（第12篇提过，第13篇用过try/except）。现在程序不会崩溃，而是友好提示。

试试故意输错文件名，看程序的反应——故意搞破坏，是测试程序健壮性的好习惯。

十、回顾一下用到了什么

知识点	在哪里用的

|——–|———–|

文件读取	with open + f.read()
字符串split	把文章拆成词
字符串replace	清理标点
字典	词→次数的映射
字典计数套路	if in: +1 else: =1
items()	字典转元组列表
sort + key + reverse	按次数从大到小排
切片	items[:10] 取前10
元组解包	for word, times in …
continue	跳过停用词
函数	三个函数分工
enumerate	带名次的循环
字符串乘法	“█” * n 画条形图
sys.argv	命令行参数
try/except	文件不存在的提示

15个知识点，全部来自前13篇。 其中lambda你可能还半懂不懂——没关系，能用就行，理解会随着使用次数自然加深。

十一、今日小练习

试着自己加一个功能（可以问AI帮忙）：

功能：导出统计结果到文件

把前20名的统计结果写入result.txt，格式像这样：

人工智能    5
学习        3
帮助        2

提示：你需要第12篇学的文件写入——open("result.txt", "w", encoding="utf-8")和f.write()。注意循环里每次write后要加换行符n。

想想你会写在哪个函数里？自己加一个save_to_file()函数？还是塞进show_top()里？（想想”一块代码只干一件事”的原则。）

---

下一篇：简易计算器 — 不是手机上那种计算器，而是一个能连续计算、记录历史、还能算(3+5)×2这种带括号式子的命令行工具。字典里存函数，这个技巧会让你大开眼界。