中文词频统计
中文词频统计
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TOP25，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:WindowsFonts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 from wordcloud import WordCloud 2 import matplotlib.pyplot as plt 3 import jieba 4 #打开小说 5 txt = open(r'dao.txt', 'r', encoding='utf-8').read() 6 #加载停用词表 7 s = [line.strip() for line in open('stops_chinese1.txt', encoding='utf-8').readlines()] 8 jieba.load_userdict(s) 9 #分词 10 wordcut = jieba.lcut(txt) 11 wdict = {} 12 for word in wordcut: 13 if word not in s:#不在停用词表中 14 if len(word) == 1:#不统计字数为一的词 15 continue 16 else: 17 wdict[word] = wdict.get(word, 0) + 1 18 #更新词库 19 jieba.add_word('你好啊') #逐个添加 20 jieba.add_word('李银河') #逐个添加 21 #排序 22 wc = list(wdict.items()) 23 wc.sort(key=lambda x: x[1], reverse=True) 24 #输出词频最大TOP25 25 for i in range(25): 26 print(wc[i]) 27 # 排序好的单词列表word保存成csv文件 28 import pandas as pd 29 pd.DataFrame(data=wc).to_csv('dao.csv', encoding='utf-8') 30 #词云 31 cut_text = " ".join(wordcut) 32 'print(cut_text)' 33 mywc = WordCloud(font_path = 'msyh.ttc').generate(cut_text) 34 plt.imshow(mywc) 35 plt.axis("off") 36 plt.show()
运行截图如下：
词云图如下：