中文词频分析

中文词频统计

1. 下载一长篇中文小说。

三体

2. 从文件读取待分析文本。

3. 安装并使用jieba进行中文分词。

4. 更新词库，加入所分析对象的专业词汇。

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


f=open("三体全集.txt","r",encoding='UTF-8')
text=""
for str in f.readlines():
    text=text+str.strip()
f.close()

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

object_list=[]
jieba.load_userdict("三体词库.txt")  #加载自定义词
text_list=jieba.lcut(text)
for i in text_list:
    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()

　　

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。

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()