【实战】词频统计及词云图制作

写在开头

最近对词云有些兴趣，就自己瞎琢磨研究一些这方面的知识，期间也遇到一些小问题，写下此篇文章留作备注吧。

研究对象

金庸老先生的《天龙八部》

正式开始（微笑脸）

• 统计字频
  （1）先统计下小说的字频数：
  天龙八部总共用字量4134个，top20的字不出意外都是一些常用词，不过“一”竟然排名第二很让我意外。

# -*- coding:utf-8 -*-
import re

wordcount = {}
stopwords=[]
# stopwords = [u'好',u'一',u'的',u'了']

with open('F:\\tlbb.txt','r') as  files:
    text = files.read().decode('gb18030')
    text = text.strip('\n').strip('\t').strip(' ')
    string = re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[：“”+——！，。？、~@#￥%……&*（）]+".decode("utf8"), "".decode("utf8"),text) #去除标点符号
    for word in string:
        if word in stopwords:
            continue
        wordcount[word] = wordcount.get(word,0)+1
    wordcount = sorted(wordcount.items(),key=lambda d:d[1],reverse=True)
    print len(wordcount)
    for x in xrange(20):
        print wordcount[x][0]+':'+str(wordcount[x][1])
files.close()

*执行结果*

字数： 4134
以下是排名前20的各个子的数量统计
不:20125
一:18732
的:18565
是:16524
道:15564
了:15413
人:12627
我:11000
你:10108
这:9893
他:9794
大:9083
来:8870
之:8064
说:7123
中:7056
得:6651
在:6624
下:6465
上:6443

• 词频统计及词云图制作
  从词云图中可以看出三大主角的名字还是很凸显。当然我也看到词云图中的“一个”了，想不到这个词的占比挺高的。

本来是想借助上面统计字频，做一个停用词集的。但是没有弄好，添加到stopwords参数中，完全没有效果，只能回头再研究研究。当然如果读到此处你的知道怎么回事，烦请告知，感激不尽呀！

以下是词云代码：

# -*- coding:utf-8 -*-

#天龙八部分词统计
import jieba
from wordcloud import WordCloud,STOPWORDS
import matplotlib.pyplot as plt

s={}
with open('F:\\tlbb.txt','r') as  files:
    fid = files.read()
    fc = jieba.cut(fid)   #用jieba分词

    for words in fc:
        if len(words)>1:
            s[words] = s.get(words,0)+1

    word = sorted(s.items(),key=lambda (word,count):count,reverse=True)
    word = dict(word[1:100])
    # for x in word:
    #   print x ,
    wordcloud = WordCloud(font_path = 'C:/Windows/Fonts/msyh.ttf',      # 设置字体格式，如不设置显示不了中文
                          background_color="black",      # 设置背景颜色
                          stopwords=STOPWORDS,  # 设置停用词
                          max_font_size=40,     # 设置字体最大值
                          random_state=30,  # 设置有多少种随机生成状态，即有多少种配色方案
                          relative_scaling=.5
                          ).fit_words(word) #word为字典格式
    plt.figure()
    plt.imshow(wordcloud)
    plt.axis("off")
    plt.show()
files.close()

问题总结

• WordCloud().fit_words(word) 中的这个word是传入的是字典，之前一直传入错误，看了源码才恍然大悟
• 词云图中停用词的添加失败

参考

• Python word_cloud 样例 标签云系列（三）
  http://www.cnblogs.com/Yiutto/p/5998417.html
• Python之天龙八部词云生成分析
  http://blog.csdn.net/u013473520/article/details/51764334

最后希望对看到此处的你有所帮助【微笑】