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'',u'',u'']
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'', u'', u'', u'',u'', u'',u'自己',u'', u'随着', u'对于', u'',u'',u'',u'',u'',u' ',u'',u'',u'',u'',
                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

posted on 2018-12-06 23:02  米仓山下  阅读(4575)  评论(0编辑  收藏  举报

导航