jieba库词频统计

一、jieba 库简介

 

(1) jieba 库的分词原理是利用一个中文词库，将待分词的内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组；除此之外，jieba 库还提供了增加自定义中文单词的功能。

(2) jieba 库支持3种分词模式：

精确模式：将句子最精确地切开，适合文本分析。

全模式：将句子中所以可以成词的词语都扫描出来，速度非常快，但是不能消除歧义。

搜索引擎模式：在精确模式的基础上，对长分词再次切分，提高召回率，适合搜索引擎分词。

二、安装库函数

(1) 在命令行下输入指令：

 

 现在我们来用jieba库统计一篇文章的词频，课本是统计三国演义，我们来统计一下名侦探柯南里面的主要人物

废话不多说，直接上代码

# -*- coding:utf-8 -*-
from jieba import *

def Replace(text,old,new): #替换列表的字符串
    for char in old:
        text = text.replace(char,new)
    return text

def getText(filename): #读取文件内容（utf-8 编码格式）
    #特殊符号和部分无意义的词
    sign = '''！~·@￥……*“”‘’\n（）{}【】；："'「，」。-、？'''
    txt = open('{}.txt'.format(filename),encoding='utf-8').read()
    return Replace(txt,sign," ")

def word_count(passage,N): #计算passage文件中的词频数，并将前N个输出
    words = lcut(passage) #精确模式分词形式
    counts = {}             #创建计数器 --- 字典类型
    for word in words:      #消除同意义的词和遍历计数
        if word == '小五' or word == '小五郎' or word == '五郎':
            rword = '毛利'
        elif word == '柯' or word == '南':
            rword = '柯南'
        elif word == '小' or word == '兰':
            rword = '小兰'
        elif word == '目' or word == '暮' or word == '警官':
            rword = '暮目'
        else:
            rword = word
        counts[rword] = counts.get(rword,0) + 1
    excludes = lcut_for_search("你我事他和她在这也有什么的是就吧啊吗哦呢都了一个")
    for word in excludes:   #除去意义不大的词语
        del(counts[word])
    items = list(counts.items()) #转换成列表形式
    items.sort(key = lambda x : x[1], reverse = True ) #按次数排序
    for i in range(N):     #依次输出
        word,count = items[i]
        print("{:<7}{:>6}".format(word,count))

if __name__ == '__main__':
    passage = getText('Detective_Novel')  #输入文件名称读入文件内容
    word_count(passage,20) #调用函数得到词频数

注：代码使用的文档 >>> Detective_Novel(utf-8).zip [点击下载]，也可自行找 utf-8 编码格式的txt文件。

结果如下：

高逼格一点的云图，我们用jieba和wordcloud 库一起，代码如下：

# -*- coding:utf-8 -*-
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import numpy as np
from PIL import Image
from jieba import *

def Replace(text,old,new): #替换列表的字符串
    for char in old:
        text = text.replace(char,new)
    return text

def getText(filename): #读取文件内容（utf-8 编码格式）
    #特殊符号和部分无意义的词
    sign = '''！~·@￥……*“”‘’\n（）{}【】；："'「，」。-、？'''
    txt = open('{}.txt'.format(filename),encoding='utf-8').read()
    return Replace(txt,sign," ")

def creat_word_cloud(filename): #将filename 文件的词语按出现次数输出为词云图
    text = getText(filename) #读取文件
    wordlist = lcut(text) #jieba库精确模式分词
    wl = ' '.join(wordlist) #生成新的字符串

    #设置词云图
    font = r'C:\Windows\Fonts\simfang.ttf' #设置字体路径
    wc = WordCloud(
        background_color = 'black', #背景颜色
        max_words = 2000,           #设置最大显示的词云数
        font_path = font,           #设置字体形式（在本机系统中）
        height = 1200,              #图片高度
        width = 1600,               #图片宽度
        max_font_size = 100,        #字体最大值
        random_state = 100,         #配色方案的种类
        )
    myword = wc.generate(wl) #生成词云
    #展示词云图
    plt.imshow(myword)
    plt.axis('off')
    plt.show()
    #以原本的filename命名保存词云图
    wc.to_file('{}.png'.format(filename))

if __name__ == '__main__':
    creat_word_cloud('Detective_Novel') #输入文件名生成词云图

结果如下：

 

 这样就搞定了~~~~