从中文阅读材料整理实用词表

在中文材料中反复出现的词，值得列入复习候选，但词频表仍需要解读。中文书写通常不在词与词之间加空格。工具必须先判断词语从哪里开始、在哪里结束，才能统计次数；分词边界不对，排在前面的就可能是错误的条目。

先选一小段自己确实想读懂的材料，检查分词，再决定哪些词参与统计，最后为要保留的词补上原句和释义。下面用一段原创短文，完整演示从原始文本到小型复习词表的过程，统计数值也可以自行复现。

选定有明确用途的材料

一个章节、一篇短文或一段课堂阅读，都能为词表划定清楚的范围。复制正文，并保存一份干净的原文。分析前去掉重复导航、广告、页眉以及OCR重复识别的行，否则这些内容的高频词会混入阅读材料。若保留标题参与统计，在比较不同材料时也要记下这个决定。

以下是本篇原创练习短文，描述去图书馆和阅读的过程，并非摘自已出版书籍，也不是真实人物的经历：

周末，我去图书馆看书。图书馆有中文书，也有英文书。我借了两本中文书，准备下周还书。看书以后，我在笔记本上写下新词，再用新词写句子。

叙述者周末去图书馆，借了两本中文书，打算下周归还，并把新词写在笔记本上。后面判断词义时，这个语境很重要：它说明了书的语言，也决定了“还书”中的动词含义。

把短文粘贴到中文分词与词频统计工具中，第一次分析先不填写保留词和排除词。除了词频表，还要阅读分词结果。表格把重复出现的词合并为一行，分词视图则保留原来的顺序和标点。

统计前先核对词语边界

当前工具第一次分析得到33个词次、25个不同条目，其中“中文书”被切成了“中”和“文书”。这两个片段虽然都可能出现，但这里想表达的是中文书籍，这样切分并不合适。仅仅能在词典里找到一个看似合理的词，不足以证明它符合原句。

在保留完整词语的输入框中单独一行填写中文书，然后重新分析。两处“中文书”都会保留为整体，结果变为31个词次、24个不同条目。这里是为了本次阅读练习，把“中文书”作为一个学习项，并不表示所有中文组合都只有一种通用的正确切法。

如果学习目的不同，也可以把“中文”和“书”分别学习，或专门讲解“两”和书籍量词“本”。分词结果只是辅助判断的起点。不要为了让词表变短，就把整句塞进自定义词语。只有在人名或表达确实应作为整体统计时，才把它加入。

自定义词语会影响输入中所有匹配的位置。加入很短或容易歧义的词后，要回看所在的句子。比较不同章节时，应保持同一套自定义词语，并与结果一起保存；中途改变边界，会同时改变词表条目和用于比较的总数。

结合次数理解占比

一个词次就是一个参与统计的出现位置，不同条目则是不同的词语字符串。保留“中文书”后，“图书馆”“看书”“中文书”和“新词”各出现两次，“我”出现三次。标点和空格可以在分词结果中看到，但不会计入词频总数。

占比等于某词出现次数除以保留词次的总数。排除前，“图书馆”的计算是2 ÷ 31 × 100，约6.45%；排除后是2 ÷ 22 × 100，约9.09%。这个词没有多出现一次，变化的只是分母。

若第二遍主要想挑选词汇，可以把表格中的六个排除词分行输入，共排除九个词次。排除规则匹配完整词语，因此排除“书”不会移除自定义的“中文书”。被排除的词仍保留在分词视图中，只是不再参与统计。

这六个词本身都很有用，不能在所有课程中一律删掉。学习语法或句型时，反而应该保留它们。排除数字对某些材料有帮助，却可能删去时刻表或购物文章中的关键信息。先确定学习目的，再选过滤条件，并在保存结果时注明。

把词义留在原句里

挑词时，应综合考虑频率、已有词汇量和阅读任务。反复出现但已经熟悉的词，不必投入太多时间；只出现一次的词，也可能决定整段的意思。本例中“借”只出现一次，却明确了书是借来的。只截取前十名，并不能保证得到最合适的学习清单。

为每个选中的词保留原句或一个完整短分句，并补上此处的含义和核对过的读音。“准备下周还书”中的“还”表示归还，读huán；若只记住其他语境中表示仍然、另外的hái，就会误解原句。同样，这里的“笔记本”是写字的纸本，而不是笔记本电脑。

一条有用的记录可以包含词语、读音、本文词义、原句和材料标题。暂不确定的地方标出来，之后再核对，不要把自动生成的读音直接当成定论。制作人名、专业词语或多音字的词卡前，应结合完整句子和合适的词典确认。

导出可以继续使用的词表

确定保留词和排除词后，再下载CSV。文件包含保留词语、次数和百分比，涵盖全部结果页。页面百分比保留两位小数，CSV保留四位；轻微的舍入差异不表示次数改变，显示的百分比相加也不一定恰好等于100%。

CSV是一份统计清单，并不是已经配好释义的词卡。把它与原文、设置说明放在一起，文件名中可以包含材料编号及是否使用过滤。比较长度不同的文本时，除了次数，还应看按总量计算的占比，并保持分词和过滤规则一致。

要继续复习，可以把选出的词放进中文词汇学习卡片工具，准备好词语、拼音和此处的含义，检查并编辑卡片后再练习或导出。不要把词频CSV的次数列当作拼音列直接粘贴。原句可以保存在学习笔记或卡片的释义栏中。

回到原来的阅读材料

复习一组数量合适的词后，再读一遍短文，看看能否不查词表就理解这次图书馆之行，尤其是借书、还书和记笔记几个动作。这样，整理词汇就有了收集条目之外的明确成果。

处理长篇材料时，按一致的方式分段，先核对范围与设置，再比较结果。简繁体、专名和不同写法可能保留为不同条目，意思相近也不代表是同一个统计词语。所选材料中的词频只描述这份材料，不是通用中文词频排名、语言等级，也不是理解了多少内容的百分比。