中文词频统计

该作业要求来自于：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

　　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。

　　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()

# coding=utf-8
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import pandas as pd
#打开文件
def open_file():
    file=open("两会报告.txt","r",encoding="utf-8");
    f=file.read();
    file.close();
    return f;

#分割文件
def cut_file(file):
    stopwords = stopwordslist("stops_chinese1.txt");
    for r in stopwords:
        file = file.replace(r, "");
    j=jieba.lcut(file);
    return j;

#统计词频
def count_word(l,f):
    d={};
    for i in l:
        if len(i)==1:
            l.remove(i);
        else:
            d[i] = f.count(i);
    d=sorted(d.items(),reverse=True,key=lambda d:d[1]);
    for index in range(20): #前20位词频数
        print(d[index]);
    pd.DataFrame(data=d).to_csv('两会词频.csv', encoding='utf-8');  # 保存为.csv格式
    return d;

#生成词云
def get_wordcloud(l):
    wl_split = " ".join(l);#以空格分割列表元素
    mywc=WordCloud().generate(wl_split);
    plt.imshow(mywc);
    plt.axis("off");
    plt.show();

# 创建停用词list
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]#一行一行读取
    return stopwords;

#主函数
def main():
    f=open_file();
    l= cut_file(f);
    count_word(l,f);
    get_wordcloud(l);

main();