中文词频统计与词云生成
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.add_word("俺老孙")
jieba.add_word("猴子猴孙")
jieba.load_userdict(word_dict) #词库文本文件
jieba.load_userdict(r'F:\text\西游记.txt') jieba.lcut(txt)
参考词库下载地址：https://pinyin.sogou.com/dict/
转换代码：scel_to_text
# -*- coding: utf-8 -*-
import struct
import os
# 拼音表偏移，
startPy = 0x1540;
# 汉语词组表偏移
startChinese = 0x2628;
# 全局拼音表
GPy_Table = {}
# 解析结果
# 元组(词频,拼音,中文词组)的列表
# 原始字节码转为字符串
def byte2str(data):
pos = 0
str = ''
while pos < len(data):
c = chr(struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0])
if c != chr(0):
str += c
pos += 2
return str
# 获取拼音表
def getPyTable(data):
data = data[4:]
pos = 0
while pos < len(data):
index = struct.unpack('H', bytes([data[pos],data[pos + 1]]))[0]
pos += 2
lenPy = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
pos += 2
py = byte2str(data[pos:pos + lenPy])
GPy_Table[index] = py
pos += lenPy
# 获取一个词组的拼音
def getWordPy(data):
pos = 0
ret = ''
while pos < len(data):
index = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
ret += GPy_Table[index]
pos += 2
return ret
# 读取中文表
def getChinese(data):
GTable = []
pos = 0
while pos < len(data):
# 同音词数量
same = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 拼音索引表长度
pos += 2
py_table_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 拼音索引表
pos += 2
py = getWordPy(data[pos: pos + py_table_len])
# 中文词组
pos += py_table_len
for i in range(same):
# 中文词组长度
c_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 中文词组
pos += 2
word = byte2str(data[pos: pos + c_len])
# 扩展数据长度
pos += c_len
ext_len = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 词频
pos += 2
count = struct.unpack('H', bytes([data[pos], data[pos + 1]]))[0]
# 保存
GTable.append((count, py, word))
# 到下个词的偏移位置
pos += ext_len
return GTable
def scel2txt(file_name):
print('-' * 60)
with open(file_name, 'rb') as f:
data = f.read()
print("词库名：", byte2str(data[0x130:0x338])) # .encode('GB18030')
print("词库类型：", byte2str(data[0x338:0x540]))
print("描述信息：", byte2str(data[0x540:0xd40]))
print("词库示例：", byte2str(data[0xd40:startPy]))
getPyTable(data[startPy:startChinese])
getChinese(data[startChinese:])
return getChinese(data[startChinese:])
if __name__ == '__main__':
# scel所在文件夹路径
in_path = r"F:\1" #修改为你的词库文件存放文件夹
# 输出词典所在文件夹路径
out_path = r"F:\text" # 转换之后文件存放文件夹
fin = [fname for fname in os.listdir(in_path) if fname[-5:] == ".scel"]
for f in fin:
try:
for word in scel2txt(os.path.join(in_path, f)):
file_path=(os.path.join(out_path, str(f).split('.')[0] + '.txt'))
# 保存结果
with open(file_path,'a+',encoding='utf-8')as file:
file.write(word[2] + '\n')
os.remove(os.path.join(in_path, f))
except Exception as e:
print(e)
pass
5. 生成词频统计
str
strset=set(str)
strdict={}
for w in strset:
strdict[w]=str.count(w)
strdict
6. 排序
strsort = list(strdict.items()) strsort.sort(key = lambda x:x[1],reverse=True) strsort
7. 排除语法型词汇，代词、冠词、连词等停用词。
stops
stops={'的','了','我','你','在','对'}
str=set(words)-stops
str
8. 输出词频最大TOP20，把结果存放到文件里
for i in range(20): print(strsort[i])
import pandas as pd
pd.DataFarme(data=strsort).to_csv('F:\\西游记.cvs',encording='utf-8')
9. 生成词云。
str_split=' '.join(str)
from wordcloud import WordCloud
import matplotlib.pyplot as plt
mywc=WordCloud().generate(str_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()
mywc.to_file(r'F:\xiyouji.png')
wordclout配置了但是还是不显示，多次检查都没有反应
