本次作业的要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822
一、中文词频统计
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。
8. 输出词频最大TOP20，把结果存放到文件里
9. 生成词云。
二、实现
import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt import pandas as pd def get_text(file): fp=open(file,'r',encoding='utf-8').read() stop_words=open('stops_chinese.txt','r',encoding='utf-8').read() #更新词库 jieba.load_userdict('SAO.txt') words_list = jieba.lcut(fp) #移除停用词 stop_words = stop_words.split(' ') tokens = [token for token in words_list if token not in stop_words] # return tokens # 用空格分隔词语 tokenstr = ' '.join(tokens) ciyun = WordCloud().generate(tokenstr) #词频统计 word_dict = {} words_set = set(tokens) for w in words_set: if len(w)>1: word_dict[w] = tokens.count(w) #排序 words_sort = sorted(word_dict.items(), key=lambda x: x[1], reverse=True) #输出词频top20 words_sort1 = words_sort[:20] for i in range(20): print(words_sort1[i]) #显示词云 plt.imshow(ciyun) plt.axis('off') plt.show() return words_sort1 if __name__ == '__main__': words_sort = fp = get_text('Sword Art Online 4 -Alicization-.txt') pd.DataFrame(data=words_sort).to_csv('sao_top20.csv',encoding='utf-8')
