質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.51%
Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

1回答

5422閲覧

【python】文字数カウント

退会済みユーザー

退会済みユーザー

総合スコア0

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2015/08/02 05:10

あるファイル(sample.txt)内の文字数(特定文字の出現回数)をカウントしたいと考えています.
カウントに際しては,
・ひらがなの出現回数
・漢字の出現回数
・数字の出現回数
・片仮名の出現回数
の確認を行いたいのですが,方法がわかりません.
pythonは3.4を使用しています.

4種のカウントのうちどれか一つで構いませんので,ご教授いただけないでしょうか.
当方,初心者のため詳細な解説をいただければ幸いです.

よろしくお願いいたします.

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

Python3.xの文字列はUNICODEのコードポイントの値の並び(シーケンス)ですので、判定はコードポイントがどの範囲内にあるか比較するだけです。

漢字について、中国・日本・韓国の頭文字をとってCJKと言います。UNICODEではCJKの漢字を統合して扱っています(unified ideographs)。もっともよく使われるものは0x4e00~0x9fffに収録されているようです。
http://jrgraphix.net/r/Unicode/4E00-9FFF
漢字には出現頻度の低いものを別に用意してるので、これらも含めるべきか検討してみてください。
CJK Unified Ideographs Extension A
CJK Unified Ideographs Extension B
(略)

同様にひらがなは以下の範囲にあります。
http://jrgraphix.net/r/Unicode/3040-309F

数字やカタカナもあるので調べてみてください。
(半角の数字ならstringモジュールが使えるかもしれません)

文字とコードポイント値の変換は組み込み関数のordchrを使います。

>>> ord('あ') 12354 >>> chr(12354) 'あ' >>> chr(0x3042) 'あ'

あとはその範囲内にあるかどうかチェックする関数を作って、文字(コードポイント)ごとに判定すればいいだけです。

import sys is_hiragana = lambda code: 0x3040 <= ord(code) <= 0x309f is_cjk_kanji = lambda code: 0x4e00 <= ord(code) <= 0x9fff num_hiragana, num_kanji = 0, 0 for line in sys.stdin: num_hiragana += sum(1 for _ in filter(is_hiragana, line)) num_kanji += sum(1 for _ in filter(is_cjk_kanji, line)) print('漢字の数: {}'.format(num_kanji)) print('ひらがなの数: {}'.format(num_hiragana))

UNICODEコードポイントの1次情報源はこちらです。

===
質問についての追記(コメント欄ではマークダウン記法ができないので…)。

例に挙げてくださった,’あ’の変換は理解できるのですが,実際にテキストファイル内の文字をコードポイントへ変換する場合はどうしたらよいのでしょうか.

forとかで回せば1文字ずつ取得できますよ。

s = 'あいうえお' for letter in s: print(letter, ord(letter))
$ python a.py あ 12354 い 12356 う 12358 え 12360 お 12362

テキストファイルから読み込む場合は、使われるエンコーディングがプラットフォーム依存なのでencoding=で指定しておいたほうが良いです。

with open('some_text_file', encoding='utf-8') as f: for line in f: for letter in line: print(letter, ord(letter))
$ python b.py 今 20170 日 26085 は 12399 暑 26257 い 12356 ! 65281

投稿2015/08/02 08:12

編集2015/08/03 21:11
sharow

総合スコア1149

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

退会済みユーザー

退会済みユーザー

2015/08/03 17:29

sharow様 ご回答ありがとうございました. よろしければ,もう少し教えていただきたいのですがよろしいでしょうか. 文字をコードポイントへ変換する方法がいまひとつわかりません. 例に挙げてくださった,’あ’の変換は理解できるのですが,実際にテキストファイル内の文字をコードポイントへ変換する場合はどうしたらよいのでしょうか. お手数おかけしますが,ご教授いただければ幸いです.
sharow

2015/08/03 21:10 編集

質問への回答を追記に移動しました。
退会済みユーザー

退会済みユーザー

2015/08/07 04:17

sharow様 丁寧なご回答ありがとうございました. 大変恐縮ですが,またご教授いただけないでしょうか. with open('some_text_file', encoding='utf-8') as f: ~~~ の後, import sys ~~~ を実行すればカウントが可能なのでしょうか. それぞれのプログラムはなんとか理解できるのですが, これを続けて(?)実行する方法がいまひとつわからない状態です. 大変申し訳ございませんが,もう少しおお付き合い願えませんでしょうか.
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

まだベストアンサーが選ばれていません

会員登録して回答してみよう

アカウントをお持ちの方は

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.51%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問