中文词频统计
作业的要求来自于: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
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()
from wordcloud import WordCloud import matplotlib.pyplot as plt import jieba txt=open(r'zzl.txt','r',encoding='utf-8').read() s=[line.strip() for line in open('stops_chinese.txt',encoding='utf-8').readlines()] jieba.load_userdict(s) wordcut = jieba.lcut(txt) wdict = {} for word in wordcut: if word not in s: if len(word)==1: continue else: wdict[word]=wdict.get(word,0)+1 wc=list(wdict.items()) wc.sort(key=lambda x:x[1], reverse=True) for i in range(25): print(wc[i]) cut_text = " ".join(wordcut) 'print(cut_text)' mywc = WordCloud().generate(cut_text) plt.imshow(mywc) plt.axis("off") plt.show()