词频统计

如何使用词频统计

关于词频统计的常见问题

词频统计会上传我的文章吗

不会上传。分词、计数、排序全部在你的浏览器里用 JavaScript 完成，页面没有任何一次把内容发往服务器的请求，关闭或刷新页面即全部清除，断网状态下同样能用。本页也不把文本写进 localStorage，只记住你选了哪个口径、哪档停用词这类参数偏好。自定义词典同样不保存——词典里常有公司内部的产品名、项目代号和人名，留在浏览器里并不合适，所以刷新后需要重新粘贴。另外本工具是只读的：输入框里的原文一个字都不会被改动，结果是新产生的一张词频表。

词频统计怎么统计文章中每个词出现的次数

把文章粘贴进输入框就行，工具会自动中文分词，然后列出一张表：每个词、出现次数、占比、词长、字符类型、首次出现在第几行第几列，以及它分布在多少个不同的行里。默认按次数从高到低排，也可以改成按次数从少到多、按首次出现顺序、按词长或按字典序。10 万字以内是边打边出结果的，超过之后会切换成点「开始统计」再分片计算，带进度条、可以随时取消。

中文词频统计和英文词频统计有什么不一样

英文有空格天然分词，中文没有，必须先做分词，这是两者最大的区别。本工具的中文分词用浏览器内置的 Intl.Segmenter（ICU），不需要下载任何词典文件；英文和数字则是在交给分词器之前就用正则先挖走的，按字母串切分，it’s、well-known 算一个词，与本站「在线字数统计」的英文词数口径完全一致，有交叉单测钉住不许漂移。这样处理还有个好处：中英混排的「小鹿tools」会自然切成「小鹿 + tools」两个词。

词频统计怎么过滤的了是这些停用词

用停用词功能，默认就开着「基础」档，会滤掉中文虚词代词（的、了、是、在、和、这、那、我们…）和英文常见虚词（the、a、of、and、to…）。还有更狠的「严格」档，会连量词、时间词、程度副词、公文虚化名词（个、些、年、月、已经、非常、进行、方面、情况…）一起滤掉。内置词表可以在页面上点「查看内置词表」完整看到并复制，也可以在「再追加停用词」里自己加。反过来，如果你做的是古文分析、需要保留「之、乎、者、也」，用「取消内置停用词」把它们捞回来就行——只给追加不给撤销的停用词就是黑箱。

词频统计时专有名词被切开了怎么办

把它写进「自定义词典」，一行一个，工具会在分词之前先按最长优先把这些词整体挖出来，不再交给分词器切。公司名、产品名、行业术语、人名、译名都适用，词典里的词还会优先于停用词（同时写进两边时以词典为准，页面会提示这个冲突）。如果懒得一个个加，也可以切到「按 N 元组」口径，直接统计连续 2 到 4 个字的固定搭配，反过来去发现哪些词被切坏了。还有一个相反的开关：分词器把不该粘的粘一起时，写进「强制拆分」按字拆开。

词频统计按词、按单字、按 N 元有什么区别

按词是默认口径，用 Intl.Segmenter 自动分词，适合看文章关键词；按单字是逐个汉字统计次数，适合诗词用字、教材字频、书法选字；按 N 元是把连续 2 到 4 个字（英文是连续 2 到 4 个单词）当一个单位滑动统计，完全不依赖分词器，适合找固定搭配和口头禅。N 元的结果天然重叠——「人民共和」和「人民共和国」都会出现，所以页面默认开了子串剪枝，把被更长组合完全包含且次数相同的那些剪掉，并告诉你剪了多少条。页面正文里有三种口径在同一句话上的完整对照表。

词频统计里的占比是怎么算出来的

占比 = 该词出现次数 ÷ 过滤之后的总词次，不是除以全文字数，也不是除以过滤前的词数。举个例子：一段话切出 6210 个词，滤掉停用词和短词之后还剩 3105 个，那么分母就是 3105。三种分母算出来能差好几倍，所以页面在统计卡下面明确写出了本次的分母是多少、切出多少、滤除多少。要注意它是用来横向比较词与词之间轻重的，不等于 SEO 里说的关键词密度，本页也不给任何「密度应该在百分之几」这类建议。

词频统计能当关键词提取工具用吗

能当第一步用，但两者不是一回事。搜「文本关键词提取在线」找过来的人，多半以为这两件事是一件。词频统计回答的是「这篇里哪些词出现得多」，把停用词开到严格档、再把专有名词加进自定义词典，Top 20 基本就是这份材料的主题词，做公文、论文、聊天记录的快速摸底够用了。短板在于它只看本篇的次数，不知道某个词在别的文章里是不是也一样常见——「工作、问题、情况、方面」几乎篇篇高频，却往往不是这一篇的重点。专业的关键词提取会再用 TF-IDF、TextRank 之类的算法压一次权重，本工具不做这一步，也不给所谓的「关键词得分」。想更接近关键词的效果，可以先切到 N 元口径找出被切开的长词，加进词典后再回按词口径看一遍。

词频统计结果里少了几个词是漏了吗

没漏。任何一个被滤掉的词都会出现在「被滤除的词」清单里，并写明原因：命中停用词表、词太短、词太长、出现次数不够、字符类型没勾选，或者是被 N 元剪枝剪掉的。这张清单默认就展示在页面上而不是折叠起来，可以逐条核对。要注意两个数字的口径不同：统计卡里的滤除数是全量的「词次」，而清单最多列前 50 个「词」，所以清单条数通常小于滤除数。另外纯标点和空白从来不算词，也不计入总词数。

词频统计能统计汉字出现的次数吗

能，把统计口径切到「按单字」，或者直接点「汉字字频」预设即可，会逐个汉字统计次数与占比，并且只统计汉字。这一档预设默认把停用词关掉，因为做字频分析时「的、了、是」本身就是要看的对象。切分按字素簇进行，emoji 和带组合符号的字符会按一个整体计 1，不会被拆坏，代理对也不会被劈开。做诗词用字、教材生字表、书法选字都用这一档。

词频统计时英文大小写和单复数会合并吗

大小写默认合并：Apple、APPLE、apple 算同一个词，显示成出现次数最多的那种写法（并列时取首次出现的），表里还会用小字列出被合并掉的写法，不会默默把 Apple 显示成 apple。单复数和时态不合并，run 和 running 分开计数——半吊子的词形还原会把 bus 变成 bu、analysis 变成 analysi，比不做更糟，所以本工具老实不做，需要词干还原请用专业的 NLP 工具。另外还有全角半角合并（ＡＩ = AI）和剥掉粘连标点（「发展。」算作「发展」）两个开关，默认都开着。

词频统计能把繁体和简体合并计数吗

能，打开「繁简合并」开关，電腦 和 电脑 会合并成一行计数，显示成出现更多的那种写法，展开还能看到被合并的写法。要说明两点：一是它只影响计数，不会把你的原文转换掉，要整篇转换请用本站的「简繁转换」；二是这里用的是站内的常用汉字对照表，覆盖常用字，生僻字可能合不上。开启这个开关时分词也会先按简体形去切，所以「電腦」不会被切成两个单字。这个开关默认是关的，只有简繁混排的语料才需要。

词频统计导出 Excel 和做词云怎么操作

词频统计导出 Excel 有两条路：赶时间就点「复制 TSV」直接粘进 Excel，会自动分成八列（排名、词、次数、占比、词长、类型、首次出现、出现行数）；要留档就下载 UTF-8 带 BOM 的 CSV，双击用 Excel 打开中文不乱码，含逗号引号的词按 RFC4180 转义，下载后还能接着用本站的 CSV 转 Excel 做透视表和图表。要用词频统计做词云则复制 JSON 最省事，形状固定是 [{"word":"发展","count":42}]，任何词云工具都能直接吃。还有一种是复制 Markdown 表格，词里含竖线已转义，粘进文档表格不会破。

词频统计能统计 Word 文档的词频吗

本页只吃纯文本。做 txt 词频统计直接把文件拖进来就行，txt、md、csv、log、srt、json、sql 这几类都收，单个 5 MB 以内，一律按 UTF-8 读取。拖进来的如果是 docx，页面会专门提示你先用本站的「文档字数统计」或「Word 转 TXT」把正文取出来再粘过来——这样也能顺手确认取出的正文对不对。如果拖进来的是 GBK 编码或改了扩展名的二进制文件，页面会明确提示「该文件不是 UTF-8 纯文本」，而不是给你一堆乱码词。粘贴这条路没有格式限制，只受 200 万字上限约束。

词频统计免费吗有没有字数限制

完全免费，不用注册、不用下载软件，也不加水印，三种统计口径、六个预设、自定义词典、被滤除清单这些功能都不分免费版付费版。原因很实在：统计全部由你自己的浏览器算完，站点不承担计算成本，而且中文分词用的是浏览器自带的 Intl.Segmenter，连词典文件都不用下载。限制只来自浏览器性能：建议单个文件 5 MB、单次 200 万字以内，超过 10 万字后改成点「开始统计」再分片计算，带进度、可以随时取消，触到上限时页面会明确写出已统计到哪里，不会静默丢内容。

手机上能用词频统计工具吗

能，用手机浏览器打开本页粘贴文字就能统计，不用装 App、不用注册，分词同样在手机本地完成、文字不上传。移动端做过适配：预设按钮会自动换行排开，参数区在窄屏下一行一项铺满、标签在上控件在下互不挤压，词频表和被滤除清单可以横向滚动看完各列，两个文本框纵向堆叠。从微信、备忘录、笔记 App 里复制过来的文字，正好用默认的「文章高频词」预设一眼看出反复出现的是哪些词。

词频统计、词频分析、字频统计工具有什么区别

在搜索框里敲「一篇文章哪个词出现最多」的人，和敲「词频统计器」的人要的是同一张表。 但再往下走，几个近义叫法要的结果就不一样了：有人只要排在最前面的二十个词， 有人要按字看，有人要的是能代表全文的关键词。下面把常见叫法对应到本页的口径上， 免得一上来就选错档。

词频统计怎么用：粘贴之后先调这三个地方

怎么统计文章里的高频词？粘贴全文、把停用词开到「基础」或「严格」、看表的前 20 行， 三步就完。真正需要动手的只有三个地方：停用词档位决定「的、了、是」 在不在表里，最小词长决定单字进不进表（默认 1，做主题词分析时调到 2 会干净很多），只要前 N 名决定这张表有多长。 统计一段文字里的高频词通常几秒就出结果，花时间的是回头把被切坏的专有名词 加进词典再看第二遍——这一遍才是能拿去用的。

词频统计的英文叫法有哪些

英文界面里的同类工具一般叫 word frequency counter online，落点在「数次数」这个动作； text word frequency analysis 语气更偏分析，通常连词云、共现一起做； count word occurrences online 是最口语的问法，等同于中文的 「统计文章中每个词出现的次数」。要注意 chinese word frequency 是单独一类—— 英文语料靠空格就分好了词，中文得先过一道分词，麻烦和误差也都在这一步。

词频统计三种口径：按词、单字、N 元有什么区别

「词频」这个词本身就有三种口径，选错口径，统计出来的表自然对不上。下面这张表用同一句 示例 我国新能源汽车产业发展迅速 把三种切法摆在一起，页面上的统计就按表里写的切。

这张表还顺手回答了一个常见疑惑：为什么同一段话在不同工具里统计出来的词不一样。 因为口径不同，结果本来就该不同。按词是「这篇文章在讲什么」，按单字是「这些字用了多少次」， 按 N 元是「哪几个字总是连在一起出现」。

按 N 元这一档在语言学里叫 N 元语法统计（n-gram），它不问「哪几个字算一个词」， 只把窗口在文本上滑一遍。最常用的是二元词组统计，也就是把连续两个字当一个单位数， 找口头禅、找套话、找固定搭配靠的都是它；窗口开到 3 到 4 个字， 就能把「新能源汽车」这类被切坏的行业词整个捞出来。

N 元口径的结果天然是重叠的，这里用一个具体的数字说清楚：假设一段材料里「人民共和国」 出现 12 次，那么 2 元组的「人民」「民共」「共和」「和国」和 4 元组的「人民共和」 也都至少各有 12 次。子串剪枝剪掉的正是「人民共和」这种被更长组合完全包住、 次数又完全一样的条目，只留下「人民共和国」。反过来，如果「人民」在别处还单独 出现过 5 次、合计 17 次，它就不会被剪——次数对不上，说明它有独立的出现。 剪了多少条，统计卡下面会写出来。

还有一层实用价值：按单字和按 N 元完全不依赖分词器， 所以它们同时也是老浏览器上的降级路径。万一你的浏览器不支持内置分词， 页面顶部会挂出黄条明确告诉你「已按 2 元组统计、结果会有重叠」， 而不是悄悄给你一份不一样的结果。

词频统计的六个一键预设分别统计什么

词频统计结果表的每一列是什么意思

• 次数：该词在全文出现了多少次（归一化合并之后的总次数）。
• 占比：次数 ÷ 过滤之后的总词次，详见下面「占比的分母是什么」。
• 类型：字符类型（中文 / 英文 / 数字 / 其他），不是词性。本工具不做名词动词形容词的判定——内置分词器不提供词性， 自造一张词性表准确率不可控，宁可不做也不做错。
• 出现行数：这个词分布在多少个不同的行里。 「次数 30 但只出现在 2 行」通常意味着某一段的局部堆砌， 「次数 30 分布在 25 行」才是真正贯穿全文的主题词。查客服记录、查小说口头禅时， 先看这一列再看次数，判断会准得多。
• 首次出现：行号:列号，点右边的「定位」能跳回原文核对。

排序一共 5 种：次数从多到少、次数从少到多、按首次出现顺序、词从长到短、按字典序。 同次数时一律以首次出现的位置作二级键、以 Unicode 码点作三级键， 所以同一段文字跑两次的结果是完全一样的，不会因为内部顺序变化而漂移。

中文分词难在哪，词频统计时专有名词为什么被切开

英文单词之间有空格，数词就行。中文没有空格，「哪几个字算一个词」本身就是要猜的——分词器只能靠词典和统计规律去猜边界。 这也是词频统计里所有麻烦的根源。

拿本页的示例句 我国新能源汽车产业发展迅速 来说，浏览器内置分词器给出的结果是我国 / 新 / 能源 / 汽车 / 产业 / 发展 / 迅速。可以看到「新能源汽车」被切成了三段。 这不是 bug，是词典里没有这个较新的行业词而已。下面是几个典型的例子：

词频统计分词不准怎么办：三个补救办法

1. 自定义词典分词：一行一个，工具在分词之前就按最长优先把这些词整体挖出来， 根本不交给分词器。词典项会在表里标上「词典」两个字，位置和次数都准确。
2. 切到 N 元口径：完全绕过分词器，直接统计连续 2 到 4 个字的组合。 这一条还能反过来用——N 元表里排名靠前又不在词典里的组合， 往往正是被切坏的专有名词，看完再加进词典。
3. 切到按单字口径：分词这一步干脆不做，只看字。

最后一句实话：本工具用的是浏览器内置的 ICU 分词器，不承诺任何分词准确率。 分词是启发式的，不同版本的浏览器切法可能略有差异。与其在页面上拍胸脯说切得有多准， 不如把切法如实摆出来，再把补救手段交给你。要在已知某个词的前提下数它出现几次或做替换，用批量查找替换更快； 本页解决的是你还不知道哪些词重要的那一半问题。

为什么词频统计不下载词典文件也能做中文分词

大多数在线中文分词工具走的是两条路：要么把文本传到服务器上用 jieba 之类的库处理， 要么在前端加载一个 jieba-wasm 或 segmentit，先下载 1 到 10 MB 的词典文件。 前者意味着你的文章离开了本机，后者意味着首屏要等一段可观的下载。

本页走的是第三条路：Intl.Segmenter。它是 ECMAScript 国际化标准的一部分， 底层就是 ICU 的分词器，已经装在你的浏览器里了， 调用它不需要下载任何额外资源，也不需要联网。所以这个页面打开之后断网照样能用。

词频统计 100 万字要跑多久

在 Node 24 上实测：100 万汉字的分词耗时约 0.17 秒， 加上聚合、过滤、排序在内的完整词频统计约 0.7 秒。 所以 10 万字以内本页是边打边出结果的（250 毫秒防抖）， 超过 10 万字才切换成点按钮 + 分片计算 + 进度条 + 可取消， 避免一次性长时间占住主线程让页面卡住。

中文分词的 locale 为什么必须写死成 zh-Hans-CN

这是本工具最隐蔽的一个坑。Intl.Segmenter 的第一个参数是 locale， 如果传 undefined，它会用系统默认语言—— 于是同一段中文，在中文系统、英文系统、日文系统上会被切成不同的词，而且不会报任何错。用户 A 看到「新能源」，用户 B 看到「新 / 能源」， 谁也说不清谁对，也没法复现。

所以本页把 locale 硬编码成 zh-Hans-CN，统计卡下面也把它显示出来。 换一台电脑、换一个系统语言，同一段文字切出来的词完全一样。 （顺带一提：算「一个字」用的字素簇切分反而应该用系统默认，因为字素簇边界与语言无关， 这两处刻意不一致，代码里专门写了注释防止后人「统一」掉。）

哪些浏览器不支持内置分词，词频统计会受影响吗

主流浏览器从 2022 年起陆续支持 Intl.Segmenter， Firefox 是最晚的一批。万一你的浏览器不支持，本页不会假装没事： 页面顶部会挂出一条黄色提示，明确写着「当前浏览器不支持内置分词，中文已按 2 元组统计 （结果会有重叠）」，并建议你改用「按单字」口径。而英文词与数字串本来就是用正则先挖走的， 完全不受影响；「按单字」和「按 N 元」两种口径也根本不依赖分词器，结果一模一样。

词频统计的停用词该不该滤，滤到什么程度

不滤停用词的中文词频表，Top 10 永远是「的、了、是、在、和、我们、这、那」， 没有任何信息量——它们能占到全文词次的两成以上。所以本页默认就开着「基础」档的停用词过滤， 有人干脆直接搜「去掉的、了、是统计词频」，说的就是这一步。 但滤多滤少是有取舍的，下面把三档分别滤了什么摊开说。

词频统计的停用词表为什么是有立场的

一个具体的例子：不 和 没有。 做关键词提取时它们是纯噪音，应该滤掉； 做情感分析时它们极其重要——「不好」和「好」是相反的意思， 滤掉「不」等于把结论反过来了。同一张词表不可能同时对两种任务都正确。

本站的取舍是：按「关键词提取」这个绝对主力场景收词，所以基础档里含「不」； 同时必须给出撤销通道——「取消内置停用词」输入框可以把任何一个被内置表 滤掉的词捞回来。做古文分析要保留「之、乎、者、也」，做情感分析要保留「不、没有」， 一行一个填进去即可。只给追加不给撤销的停用词功能就是黑箱，这是这类工具最常被吐槽的点。

词频统计的内置停用词表能完整查看吗

页面上点「查看内置词表」会展开三个只读文本框，里面是三档词表的全部词， 可以全选复制走。你不必相信我们说滤了什么，直接看就行。

词频统计还有哪些词会被过滤掉

除了停用词，还有四类：词长不在设定区间内的、出现次数达不到「最小出现次数」的、 字符类型没被勾选的（默认只统计 中文和英文，数字与其他默认不统计），以及 N 元口径下被子串剪枝剪掉的。这四类连同停用词，每一条都会出现在「被滤除的词」清单里并写明原因， 清单默认就展开在页面上。静默过滤等于工具坏了—— 用户问「我明明写了 20 个『的』，怎么表里没有」，答案必须在页面上找得到。

词频统计的占比，分母到底是什么

这是最容易被误用的一个数字，所以单独拿一节说清楚。 同一个词，用三种不同的分母算出来的占比能差好几倍：

页面的统计卡下面会把本次的三个数字都写出来：切出多少个词、滤除多少个词次、 分母是多少，随时可以自己验算。表里所有词的占比加起来正好是 100% （把「只要前 N 名」切到「全部」时）。

一句必要的提醒：这个占比不等于 SEO 里说的关键词密度。 关键词密度通常按全文字数或全部词数算，而且是给定几个目标词去诊断， 本页是全量发现（我不知道哪些词多，列给我看）。所以本页只给数字，不给任何「密度应该在百分之几」的建议， 也不设所谓的合理区间——那种结论脱离了具体搜索意图就是误导。

词频统计一般用来做什么：7 个真实场景

• 公文高频词统计：材料在反复说什么：整篇粘进来，保持默认的「文章高频词」预设，几秒内就能看到这份材料到底在反复说什么。基础停用词已经把「的、了、是、在」滤掉，剩下的 Top 20 基本就是这篇稿子的主题词。想更干净就切到「严格」档，连「进行、通过、方面、情况」这类公文虚化词一起滤掉。
• 论文重复用词检查：哪个词被写了几十遍：中文稿件用默认预设跑一遍，按次数降序看前 30 行，就知道有没有哪个词被翻来覆去用了几十遍。配合「出现行数」一起看更准：次数 40 却只分布在 6 行，说明是某一节里的局部堆砌，改那一节就行；次数 40 分布在 35 行，那是全文的主线词，动它要通盘改。
• 英文作文重复用词检查怎么做：点「英文词频」预设做英文单词词频统计，大小写自动合并，一眼就能看出 important、good、very 这类词是不是超标了。注意本工具不做词形还原，run 和 running 分开计数——这恰恰是检查重复用词时想要的，因为改稿要改的是具体那一处写法。
• 小说高频词统计：人物出场与口头禅：把人物名写进自定义词典（尤其是三字以上的名字和外国译名），再切到「固定搭配（N 元）」预设找口头禅和套话。哪个角色出场最多、哪句话被写了 30 遍，一张表就说清楚了。
• 诗词用字频率统计与教材生字表：点「汉字字频」预设，逐个汉字统计次数与占比，停用词默认关闭。做书法选字、教材生字表、诗词用字分析都靠这一档。emoji 和组合字符按整簇计 1，不会被拆坏。
• 聊天记录高频词里藏着真正的问题：把导出的客服聊天记录粘进来，先用严格停用词过一遍，再把产品名和功能名加进自定义词典。哪些词次数高又分布在很多行，就是真正被反复问到的问题；次数高但只集中在两三行的，多半是某一次长对话里的重复。
• 词频统计导出 Excel 接着做图表：结果可以复制成 TSV 直接粘进 Excel 分列，也可以下载带 BOM 的 CSV 用 CSV 转 Excel 继续做透视表和柱状图。想用词频统计做词云就复制 JSON，形状是 [{"word":"发展","count":42}]，任何词云工具都能直接吃。

只想知道有多少字、多少段、读完要几分钟，用在线字数统计—— 它回答「一共有多少字」，本页回答「哪些词出现得最多」，一个是总量一个是分布。 要统计 Word 文档或一次统计好几个文件的字数，用文档字数统计取出正文再粘过来。 已经知道要找哪个词、想数它或替换它，用批量查找替换。 要按行去重、排序、改大小写，用文本处理工具箱—— 它的单位是「行」，本页的单位是「词」，「去重行」和「词频去重」完全是两回事。 要把整篇文章简繁转换（而不只是合并计数），用简繁转换。 导出结果继续做表做图，用 CSV 转 Excel。

相关教程

遇到格式选择、乱码或校验问题，可以先看这些说明再动手处理。

• 问题解答字数怎么统计才准？中文字符、英文单词与平台限字对照讲清「字数」为什么在不同地方算出不同结果：可见字符、汉字数、微博口径、显示宽度、UTF-16 与字节数六种计数口径分别是什么，微博、小红书、公众号、短信、SEO 标题各按哪种算，以及 emoji 与零宽字符为什么会让字数对不上。