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
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()
.中文小说
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
|
#-*- coding:utf-8 -*-import matplotlib.pyplot as pltfrom wordcloud import WordCloudimport jiebawith open('doupo.txt','r',encoding='utf-8') as f: doupo = f.read()#清洗sep = " ,.?;:'!*#-_"for quchu in sep: doupo = doupo.replace(quchu,' ')#分词wordList = jieba.cut(doupo)print(type(wordList))#词频分析data={}for word in wordList: if len(word) == 1: continue else:data[word] = data.get(word,0)+1result = list(data.items())result.sort(key=lambda x:x[1],reverse=True)for top_20 in range(20): print(result[top_20])wordSplit = " ".join(dict(result))wc = WordCloud(background_color="black", # 设置背景颜色 # mask = "图片", #设置背景图片 max_words=2000, # 设置最大显示的字数 # stopwords = "", #设置停用词 font_path="C:\\Windows\\Fonts\\NotoSansHans-Black_0.otf", # 设置中文字体，使得词云可以显示（词云默认字体是“DroidSansMono.ttf字体库”，不支持中文） max_font_size=40, # 设置字体最大值 random_state=30, # 设置有多少种随机生成状态，即有多少种配色方案 )mywc = wc.generate(wordSplit) # 生成词云# 展示词云图plt.imshow(mywc)plt.axis("off")plt.show()wc.to_file('myword.jpg') # 保存图片文件 |
