中文词频统计与词云生成

本次作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

中文词频统计

1. 下载一长篇中文小说。

《追风筝的人》.txt

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

tokens=[token for token in wordsls if token not in stops]

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

10.

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import pandas as pd
import jieba

def stopwordslist():
    stopwords = [line.strip() for line in open('F:stops_chinese.txt', encoding='UTF-8').readlines()]
    return stopwords

txt = open('cipher.txt', 'r', encoding='utf-8').read()
stopwords = stopwordslist()
wordsls = jieba.lcut(txt);
wcdict = {}

for word in wordsls:
    if word not in stopwords:
        if len(word) == 1:
            continue
        else:
            wcdict[word] = wcdict.get(word, 0) + 1

wcls = list(wcdict.items())
wcls.sort(key=lambda x: x[1], reverse=True)

for i in range(20):
    print(wcls[i])

cut_text = " ".join(wordsls)
'print(cut_text)'

mywc = WordCloud().generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()
pd.DataFrame(data=wcls).to_csv('dldl.csv',encoding='utf-8')