中文词频统计

这个作业的要求来自：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

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()

 

1、下载jieba

2、下载中文小说，转UTF-8编码

3、代码示例：

4、运行结果

 

 

 

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
txt=open('xiyou.txt','r',encoding='utf-8').read()
words=list(jieba.cut(txt))

dic={}
exp={
'的'，'了','“','”','在','对','。','？','！'} 
keys=set(words)-exp

for i in keys:
 if len(i)>1:
  dic[i]=words.count[i]
wa=list(dic.items())
  
wa.sort(key=lambda x:x[1], reverse=True) 
cut_text = " ".join(wordsls) 'print(cut_text)' 
mywc = WordCloud(font_path = 'msyh.ttc').generate(cut_text) 
plt.imshow(mywc) 
plt.axis("off") 
plt.show() 
for i in range(20): 
 print(wa[i])