Contar la frecuencia de las palabras en Python
En esta lección vas a normalizar un texto y contar cuántas veces aparece cada palabra con collections.Counter.
Introducción
El problema
¿Qué palabras aparecen más en las opiniones de clientes, en un libro o en las búsquedas? Contarlo a mano es imposible con textos reales, y "Python", "python" y "python." deben contar como la misma palabra.
Imagínalo así
Contar la frecuencia de palabras es como recontar papeletas tras una votación. Primero haces que todas las papeletas se lean igual (minúsculas, sin puntuación) y luego pones una marca junto a cada nombre cada vez que aparece. La hoja de recuento muestra al ganador.
text.lower()🔡 Lee todas las papeletas igualre.findall(r"[a-z]+", ...)✂️ Recorta los nombres y descarta la puntuaciónCounter(words)📊 La hoja de recuento: nombre y número de marcasprint(Counter(words))🏆 Los resultados, con más marcas primeroLa frecuencia de palabras es cuántas veces aparece cada palabra distinta en un texto, normalmente tras hacer comparables las palabras pasándolas a minúscula y quitando la puntuación.
Puntos clave
text.lower()hace que"Python"y"python"sean la misma palabra.re.findall(r"[a-z]+", ...)devuelve cada serie de letras, así desaparecen los puntos y los espacios.Counter(words)cuenta cada palabra y muestra primero las más comunes.- En el ejemplo, tanto
"python"como"is"aparecen dos veces.
¿Cuándo se usa?
- Encontrar palabras comunes en opiniones, logs o respuestas de encuestas.
- Un primer paso en el análisis de texto y la búsqueda.
- Practicar la limpieza de texto y la clase
Counter.
Cuándo no hace falta
- Textos con letras con tilde, como francés o vietnamita:
[a-z]+descarta esos caracteres, así que usa un patrón que entienda Unicode. - Análisis real del lenguaje: también tienes que unir formas como run y running, lo que necesita una biblioteca de PLN.
Código de ejemplo
from collections import Counter
import re
text = "Python is clear. Python is practical."
words = re.findall(r"[a-z]+", text.lower())
print(Counter(words))
Resultado de la ejecución
Counter({'python': 2, 'is': 2, 'clear': 1, 'practical': 1})
Explicación del código
La instrucción text.lower() pasa todo el texto a minúsculas y, después, la expresión regular [a-z]+ solo conserva las secuencias de letras e ignora los signos de puntuación. Counter cuenta cada palabra en una sola pasada y las ordena de mayor a menor frecuencia, por eso python e is aparecen 2 veces cada una.
Cambia los valores y ejecuta el programa en el compilador Python online de CodeUtility sin instalar Python.
Ejercicios de práctica
Prueba a modificar el código siguiendo las ideas de abajo. Cambiar el código y ver el resultado te ayudará a entender la lección mucho mejor que solo leerla.
- Cambia los datos de entrada y predice el resultado antes de ejecutar.
- Añade una comprobación para datos vacíos o no válidos.
- Pasa el proceso a una función aparte y pruébala con varios conjuntos de datos.
Errores comunes
Olvidar pasar a minúscula
"Python" y "python" se cuentan como dos palabras distintas.
re.findall(r"[a-z]+", text)
re.findall(r"[a-z]+", text.lower())
¿Terminaste esta lección?
Márcala como aprendida para seguir tu progreso.
Practica con un reto
Usa lo que cubre esta lección para resolver un problema real. Cada reto se ejecuta en el navegador, con pruebas al instante y una revisión de IA.
- Contar Palabras Cuenta las palabras en una oración. Fácil
- Frecuencia de Caracteres Cuenta cuántas veces aparece cada carácter. Fácil
- Tournament Standings Rank teams from match records. Intermedio