【大数据】中文词频统计

作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

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

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

import jieba

##########文件操作##########
#读取小说文本
f = open("解忧杂货店-东野圭吾.txt","r",encoding='UTF-8')
text = f.read()#读取文件
f.close()#关闭文件

#读取停用词
f_stop = open("stops_chinese1.txt","r",encoding='utf-8')
stop = f_stop.read()#读取文件
f_stop.close()#关闭文件
##########文件操作##########

#删除停用词
for s in stop:
    text = text.replace(s, "");
text = text.replace('　', '')
list = jieba.lcut(text)

#更新词库
jieba.add_word('杂货店')
jieba.add_word('东野圭吾')
jieba.load_userdict('人物.txt')
#jieba.lcut_for_search()

dict = {}
for l in list:
    dict[l] = list.count(l);#获取单词数目

d = sorted(dict.items(),reverse = True,key = lambda d:d[1]); #排序

w_text = " "
for i in d:
    w_text = w_text + i[0] + " "

print("前20个单词出现频数为：")
for i in range(20):
    print(d[i][0]," : ",d[i][1]);


import pandas as pd
pd.DataFrame(data = d).to_csv('count.csv',encoding = 'utf-8')
#保存为.csv格式

#生成词云
from wordcloud import WordCloud
import matplotlib.pyplot as plt
wl_split=''.join(w_text)
mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()

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()