利用python实现简单词频统计、构建词云
1、利用jieba分词,排除停用词stopword之后,对文章中的词进行词频统计,并用matplotlib进行直方图展示
# coding: utf-8 import codecs import matplotlib.pyplot as plt import jieba # import sys # reload(sys) # sys.setdefaultencoding('utf-8') from pylab import mpl mpl.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体 mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 plt.rcParams['font.sans-serif'] = ['SimHei'] stopword=[u'。',u',',u',',u'(',u')',u'"',u':',u';',u'、',u',',u',',u'”',u'“',u';',u':',u'的',u'有',u'也'] word = [] counter = {} with codecs.open('data.txt') as fr: for line in fr: line = line.strip() #print type(line) if len(line) == 0: continue line = jieba.cut(line, cut_all = False) for w in line:#.decode('utf-8'): if ( w in stopword) or len(w)==1: continue if not w in word : word.append(w) if not w in counter: counter[w] = 0 else: counter[w] += 1 counter_list = sorted(counter.items(), key=lambda x: x[1], reverse=True) print(counter_list[:50]) #for i,j in counter_list[:50]:print i label = list(map(lambda x: x[0], counter_list[:10])) value = list(map(lambda y: y[1], counter_list[:10])) plt.bar(range(len(value)), value, tick_label=label) plt.show()
注意:matplotlib展示中文需要进行相应设置
2、利用jieba分词,利用collections统计词频,利用wordcloud生成词云,并定义了 词频背景,最后通过matplotlib展示,同样需要设置字体
# coding: utf-8 import sys reload(sys) sys.setdefaultencoding('utf8') # 导入扩展库 import re # 正则表达式库 import collections # 词频统计库 import numpy as np # numpy数据处理库 import jieba # 结巴分词 import wordcloud # 词云展示库 from PIL import Image # 图像处理库 import matplotlib.pyplot as plt # 图像展示库 # 读取文件 fn = open('data.txt') # 打开文件 string_data = fn.read() # 读出整个文件 fn.close() # 关闭文件 # 文本预处理 pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式 string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除 # 文本分词 seg_list_exact = jieba.cut(string_data, cut_all = False) # 精确模式分词 object_list = [] remove_words = [u'的', u'也', u'他', u',',u'和', u'是',u'自己',u'有', u'随着', u'对于', u'对',u'等',u'能',u'都',u'。',u' ',u'、',u'中',u'在',u'了', u'通常',u'如果',u'我们',u'需要'] # 自定义去除词库 for word in seg_list_exact: # 循环读出每个分词 if word not in remove_words: # 如果不在去除词库中 object_list.append(word) # 分词追加到列表 # 词频统计 word_counts = collections.Counter(object_list) # 对分词做词频统计 word_counts_top10 = word_counts.most_common(10) # 获取前10最高频的词 print (word_counts_top10) # 输出检查 # 词频展示 img = Image.open('2018.png') #打开图片 img_array = np.array(img) #将图片装换为数组 #mask = np.array(Image.open('wordcloud.jpg')) # 定义词频背景 wc = wordcloud.WordCloud( font_path='C:/Windows/Fonts/simhei.ttf', # 设置字体格式 #font_path='/usr/share/fonts/truetype/arphic/ukai.ttc', # 设置字体格式 background_color='white', mask=img_array, width=1000, height=800, # max_words=200, # 最多显示词数 # max_font_size=100 # 字体最大值 ) wc.generate_from_frequencies(word_counts) # 从字典生成词云 image_colors = wordcloud.ImageColorGenerator(img_array) # 从背景图建立颜色方案 wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案 plt.imshow(wc) # 显示词云 plt.axis('off') # 关闭坐标轴 plt.show() # 显示图像