中文词频统计
2019-03-18 17:40 CMis180kg 阅读(207) 评论(0) 编辑 收藏 举报作业要求来源于:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773
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
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:\Windows\Fonts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()
运行代码如下:
from wordcloud import WordCloud import matplotlib.pyplot as plt import jieba fo = open('hongloumeng.txt','r',encoding='UTF-8') txt= fo.read() a=[line.strip() for line in open('stops_chinese1.txt',encoding='utf-8').readlines()] jieba.load_userdict(a) wordcut = jieba.lcut(txt) worddict = {} for word in wordcut: if word not in a: if len(word)==1: continue else: worddict[word]=worddict.get(word,0)+1 wails=list(worddict.items()) wails.sort(key=lambda x:x[1], reverse=True) for i in range(20): print(wails[i]) cut_text = " ".join(wordcut) 'print(cut_text)' # 生成词云 mywc = WordCloud().generate(cut_text) #显示词云 plt.imshow(mywc) plt.axis("off") plt.show()
运行结果及排序截图如下:
生成的词云如下图所示: