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 = ''',，.。？?！!-:：《》< >"“”、\n \r \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。

 

转载于:https://www.cnblogs.com/GMUK/p/10595885.html