中文词频统计与词云生成

作业来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

作业要求：

1. 下载一长篇中文小说。

下载了《粤港澳大湾区发展纲要》

2. 从文件读取待分析文本。

　 text=open('artical.txt',encoding='utf-8').read();

   e=''',，.。？?！!-:：《》< >"“”、 u3000 ufeff'''

   for i in e:

   text=text.replace(i,"")

3. 安装并使用jieba进行中文分词。

pip install jieba

import jieba

jieba.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

jieba.add_word('大湾')

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

 dict={}

　 for i in tokens:

    if i not in dict:

        dict[i]=tokens.count(i)

  print(dict)

6. 排序

word=list(dict.items())

 word.sort(key=lambda x: x[1], reverse=True)

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops=['也','等','的','谁','又','是','新','了','只','一','和','或','区','市','为','在','与']

 tokens = [token for token in text if token not in stops]

stops

tokens=[token for token in wordsls if token not in stops]

8. 输出词频最大TOP20，把结果存放到文件里

result=[]

 for i in range(20):

    result.append(word[i])

 pd.DataFrame(data=result).to_csv('f.csv',encoding='utf-8')

 print(result)

9. 生成词云。