中文词频统计

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

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词

8. 输出词频最大TOP25，把结果存放到文件里

9. 生成词云。

代码：

import jieba
import wheel
import pip
if __name__ == '__main__':

#停用词表
 stop = [line.strip() for line in open("stop.txt", 'r', encoding='utf-8').readlines()]

#导入文章文本
fo = open('duo3.txt','r',encoding='utf-8')
tk = fo.read()
fo.close()

#替换停用词
for s in stop:
    tk = tk.replace(s, "")

#中文分词
wordlist = jieba.lcut(tk)
print(tk)

#导入词汇
jieba.load_userdict('duoluo.txt')

#生成字典
wcdict = {}
for word in wordlist:
    if len(word)==1:
        continue
    else:
        wcdict[word]= wcdict.get(word,0)+1

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

#输出前二十五词
for i in range(25):
    print(wcls[i])


wl_split=''.join(wordlist)


#生成词云
from wordcloud import WordCloud
import matplotlib.pyplot as plt

mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()

 

　结果截图

词云生成：