作业来源:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773
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
ljieba.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
import jieba
##########文件操作##########
#读取小说文本
f = open("解忧杂货店-东野圭吾.txt","r",encoding='UTF-8')
text = f.read()#读取文件
f.close()#关闭文件
#读取停用词
f_stop = open("stops_chinese1.txt","r",encoding='utf-8')
stop = f_stop.read()#读取文件
f_stop.close()#关闭文件
##########文件操作##########
#删除停用词
for s in stop:
text = text.replace(s, "");
text = text.replace(' ', '')
list = jieba.lcut(text)
#更新词库
jieba.add_word('杂货店')
jieba.add_word('东野圭吾')
jieba.load_userdict('人物.txt')
#jieba.lcut_for_search()
dict = {}
for l in list:
dict[l] = list.count(l);#获取单词数目
d = sorted(dict.items(),reverse = True,key = lambda d:d[1]); #排序
w_text = " "
for i in d:
w_text = w_text + i[0] + " "
print("前20个单词出现频数为:")
for i in range(20):
print(d[i][0]," : ",d[i][1]);
import pandas as pd
pd.DataFrame(data = d).to_csv('count.csv',encoding = 'utf-8')
#保存为.csv格式
#生成词云
from wordcloud import WordCloud
import matplotlib.pyplot as plt
wl_split=''.join(w_text)
mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()
9. 生成词云。
安装词云:pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud
下载安装:下载 https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud
安装 找到下载文件的路径 pip install wordcloud-1.5.0-cp37-cp37m-win_amd64.whl
配置:
在WordCloud安装的目录下找到WordCloud.py文件,对源码进行修改。
编辑wordcloud.py,找到FONT_PATH,将DroidSansMono.ttf修改成msyh.ttf。这个msyh.ttf表示微软雅黑中文字体。
在同一个目录下放置msyh.ttf字体文件供程序调用(字体可以在C:WindowsFonts复制)
使用:
1、引入模块
from wordcloud import WordCloud
import matplotlib.pyplot as plt
2、导入文本
准备生成词云的文本word_text =' '.join(wordlist) #是以空格分隔的字符串
4、生成词云
mywc = WordCloud().generate(wl_split)
5、显示词云
plt.imshow(mywc)
plt.axis("off")
plt.show()