【大数据】中文词频统计

中文词频统计

1. 下载一长篇中文小说。

汤姆索亚历险记

2. 从文件读取待分析文本。

novel = open('汤姆索亚历险记.txt','r',encoding='utf-8').read()

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

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()

import jieba

novel = open(r'tom.txt','r',encoding='utf-8').read()

stop = [line.strip() for line in open('stops_chinese.txt',encoding='utf-8').readlines()]

wcut = jieba.lcut(novel)
wdict = {}
for word in wcut:
    if word not in stop:
        if len(word)==1:
            continue
        else:
            wdict[word]=wdict.get(word,0)+1
jieba.add_word('哈克贝利')
jieba.add_word('汤姆')
wlist = list(wdict.items())
wlist.sort(key=lambda x:x[1], reverse=True)

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

import pandas as pd
pd.DataFrame(data=wlist).to_csv('result.csv',encoding='utf-8')

from wordcloud import WordCloud
import matplotlib.pyplot as plt
cut_text=' '.join(wcut)
mywc = WordCloud().generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

 误用jieba命名py文件 项目里放的其他txt编码格式不对 列表越界导致失败了很久

按步骤修改了配置词云还是OSError: cannot open resource 把ttf改成ttc就行了………