Python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)

 

import jieba
txt = open(r'piao.txt','r',encoding='utf-8').read()

wordsls=jieba.lcut(txt)
wcdict={}
for word in wordsls:
    if len(word)==1:
        continue
    else:
        wcdict[word]=wcdict.get(word,0)+1
#word在wcdict中没有找到对应的词语，则返回0
wcls=list(wcdict.items())
wcls.sort(key=lambda x:x[1],reverse=True)

for i in range(25):
    print(wcls[i])

 

 

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('思嘉奥哈拉')
jieba.lcut(txt)

 

5. 生成词频统计

6. 排序（如上图）

7. 排除语法型词汇，代词、冠词、连词

 

import jieba
txt = open(r'piao.txt','r',encoding='utf-8').read()

for ch in '-#$%^&*()@:{}_+[]~':
    txt =txt.replace(ch," ")#将文本中的特殊字符转换为空格替代

wordsls=jieba.cut(txt)
#分解提取单词
print('
')
List=str.strip('')
print(len(List),List)
#单词计数字典
print('/n')
wordsls=set(List)
print(len(wordsls),wordsls)

wcdict={}
for word in wordsls:
    if len(word)==1:
        continue
    else:
        wcdict[word]=wcdict.get(word,0)+1
        #word在wcdict中没有找到对应的词语，则返回0


#wcdict['思嘉']=wcdict['思嘉']+wcdict["思嘉奥哈拉"]
#del(wcdict['思嘉奥哈拉'])

wcls=list(wcdict.items())
wcls.sort(key=lambda x:x[1],reverse=True)

#排除语法型词汇，代词、冠词、连词
xx=['他们','没有','自己','一个','什么','这样','知道','我们','这个','这些','不过','已经','要是','觉得','那样','而且']
wordsls= wordsls-xx
print(len(wordsls),wordsls)

jieba.add_word('思嘉 奥哈拉')
jieba.lcut(txt)

for i in range(25):
    print(wcls[i])

 

import re
import collections
import numpy as np
import jieba
from wordcloud import WordCloud # 词云展示库
from PIL import Image # 图像处理库
import matplotlib.pyplot as plt # 图像展示库


txt = open(r'piao.txt','r',encoding='utf-8').read()
for ch in '-#$%^&*()@:{}_+[]~
':
    txt =txt.replace(ch," ")#将文本中的特殊字符转换为空格替代

stop_word=[]
stop_word=open("停用词.txt","r",encoding='UTF-8').read().split("
")

wordsls=jieba.lcut(txt)
object_list=[]
for i in wordsls:
    if len(i)!=1:
        if i not in stop_word:
            object_list.append(i)



word_counts = collections.Counter(object_list) # 对分词做词频统计
word_counts_top10 = word_counts.most_common(20) # 获取前10最高频的词
print (word_counts_top10) # 输出检查



wl_split=' '.join(object_list)

mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()

　　

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: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()