中文词频统计与词云生成

中文词频统计与词云生成

 

作业来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

3. 安装并使用jieba进行中文分词。

pip install jieba

import jieba

jieba.lcut(text)

4. 更新词库，加入所分析对象的专业词汇。

jieba.add_word('天罡北斗阵')  #逐个添加

jieba.load_userdict(word_dict)  #词库文本文件

参考词库下载地址：https://pinyin.sogou.com/dict/

转换代码：scel_to_text

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

整体代码：

with open(r'clm.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# 使用jieba进行中文分词
import jieba
# 先更新词库，加入所分析对象的专业词汇，然后进行分词
jieba.load_userdict(r'.txt')
textCut = jieba.lcut(text)

# 排除语法型词汇，代词、冠词、连词等停用词
with open(r'stop.txt', 'r', encoding='utf-8') as f:
    stops = f.read().split('
')
tokens = [token for token in textCut if token not in stops]

# 将文本转化为集合
words_set = set(tokens)
# 存入字典
words_dict = {}
for w in words_set:
    words_dict[w] = tokens.count(w)
# 字典转换成列表对词语进行词频排序
words_sort = list(words_dict.items())
words_sort.sort(key=lambda x: x[1], reverse=True)
# print(words_sort)
for w in words_sort:
    print(w)
wl_split=' '.join(tokens)
# 调用generate()方法生成词云
from wordcloud import WordCloud
mywc = WordCloud().generate(wl_split)
# 显示词云
import matplotlib.pyplot as plt
plt.imshow(mywc)
plt.axis("off")
plt.show()

截图：