中文词频统计
该作业要求来自于: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
jieba.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()
# coding=utf-8 import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt import pandas as pd #打开文件 def open_file(): file=open("两会报告.txt","r",encoding="utf-8"); f=file.read(); file.close(); return f; #分割文件 def cut_file(file): stopwords = stopwordslist("stops_chinese1.txt"); for r in stopwords: file = file.replace(r, ""); j=jieba.lcut(file); return j; #统计词频 def count_word(l,f): d={}; for i in l: if len(i)==1: l.remove(i); else: d[i] = f.count(i); d=sorted(d.items(),reverse=True,key=lambda d:d[1]); for index in range(20): #前20位词频数 print(d[index]); pd.DataFrame(data=d).to_csv('两会词频.csv', encoding='utf-8'); # 保存为.csv格式 return d; #生成词云 def get_wordcloud(l): wl_split = " ".join(l);#以空格分割列表元素 mywc=WordCloud().generate(wl_split); plt.imshow(mywc); plt.axis("off"); plt.show(); # 创建停用词list def stopwordslist(filepath): stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]#一行一行读取 return stopwords; #主函数 def main(): f=open_file(); l= cut_file(f); count_word(l,f); get_wordcloud(l); main();