python 文字列カウント

Question

こちらで質問させていただいた者です．
http://teratail.com/questions/13963

不明点があるので，再度ご質問させていただきます．

以下のようなテキストファイルを読み込み，特定の文字列の出現回数をカウントしたいと考えています．

---

E 未知語
メール 名詞-サ変接続
は 助詞-係助詞
こちら 名詞-代名詞-一般
まで 助詞-副助詞
： 記号-一般

from collections import Counter
f=open('samaple.txt',encoding='utf-8')
data = f.read()
counter = Counter(data)
print(data.count('名詞'))
>>>3

カウント結果としては，名詞の数は2であってほしいのです．
"代名詞"のように"名詞"を含むものもカウントしてしまうと不都合なのですが，
何かよい方法はないでしょうか．

"名詞-代名詞-一般"
このように名詞という文字列が必ず2回出現するなら，結果を2分の1にすればいいのですが，
"名詞-サ変接続"
こちらのような文字列も存在しているので困っています．
名詞に限らず品詞のカウントを予定しています．

ご教授お願いいたします．

Answer 1

文字列を日本語の単語として分割して、そこから "名詞" の数を数えるようにしてみました。

単語分割にはいろいろな方法がありますが、TinySegmenter3 をつかってみました。
参考：

• mecabなしで分かち書きができるモジュールTinySegmenter3 http://samurait.hatenablog.com/entry/2014/07/14/tinysegmenter3_notification_of_registration

  $ pip install tinysegmenter3

のようにしてインストールできます。

単語に分割したあとに "名詞" が何回でているかのカウントは、ループを回してカウントしてもできますが、
ここでは、すべての単語毎に出現回数を数えて、その結果から "名詞" の出現回数を出力してみました。

参考：

• リストの中の要素を要素別にカウントしたい http://www.lifewithpython.com/2014/05/python-count-elements-in-lists.html

count.py

from collections import Counter
from tinysegmenter import TinySegmenter
import collections

f = open('sample.txt')
data = f.read()

segmenter = TinySegmenter()
statement = data
tokenized_statement = segmenter.tokenize(statement)
count_dict = collections.Counter(tokenized_statement)
# print(count_dict)
print(count_dict['名詞'])

実行例：

$ python3 count.py
2

上のコード中の print(count_dict) を有効にすると、次のように単語毎の出現回数が得られていることがわかります。

Counter({'  ': 10, '\n': 5, '-': 5, '一般': 2, '詞': 2, '名詞': 2, '助詞': 2, '未知語': 1, '変接': 1, '係助': 1, '\n：': 1, '記号': 1, '-サ': 1, ' ': 1, 'まで': 1, 'は': 1, 'こちら': 1, '続': 1, '副助詞': 1, 'E': 1, '代名': 1, 'メール': 1})