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: