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("\n")
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:\Windows\Fonts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()