使用jieba分词、wordcloud绘制词云图

使用jieba分词、wordcloud绘制词云图

需掌握的知识：

jieba库的使用：

简介：

jieba库是一款优秀的 Python 第三方中文分词库，jieba 支持三种分词模式：精确模式、全模式和搜索引擎模式:

• 精确模式，试图将句子最精确地切开，适合文本分析；
• 全模式，把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；
• 搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

分词功能

• jieba.cut接受方法输入参数：需要分词的字符串；cut_all参数使用是否采用全模式；
• jieba.lcut以及jieba.lcut_for_search直接返回列表

jieba.cut与jieba.lcut的区别

#ieba.cut生成的是一个生成器，generator，也就是可以通过for循环来取里面的每一个词。

s='将中文文本拆分为词语保存到列表words中'
words=jieba.cut(s,cut_all=True)			#将中文文本拆分为词语保存到列表words中.
print(words)

#运行结果：

#jieba.lcut 直接生成的就是一个list

s='将中文文本拆分为词语保存到列表words中'
words=jieba.lcut(s,cut_all=True)		#将中文文本拆分为词语保存到列表words中.
print(words)

#运行结果：

python中join()函数的使用方法

函数：string.join()

Python中有join()和os.path.join()两个函数，具体作用如下：

• **join()：**连接字符串数组。将字符串、元组、列表中的元素以指定的字符(分隔符)连接生成一个新的字符串
• **os.path.join()：**将多个路径组合后返回

函数说明

1、join()函数

语法： ‘sep’.join(seq)

参数说明

• sep：分隔符。可以为空
• seq：要连接的元素序列、字符串、元组、字典

上面的语法即：以sep作为分隔符，将seq所有的元素合并成一个新的字符串

返回值：返回一个以分隔符sep连接各个元素后生成的字符串

2、os.path.join()函数

语法： os.path.join(path1[,path2[,…]])

返回值：将多个路径组合后返回

注：第一个绝对路径之前的参数将被忽略

对序列进行操作（(分别使用’"与:"作为分隔符)

a1 = [ 'hello' ,'good' , 'boy' , 'xiaoming']
print(' '.join(a1))
print(':'.join(a1))
#输出
hello good boy xiaoming
hello:good:boy:xiaoming

对字符串进行操作

a2 = 'hello good boy xiaoming'
print(':'.join(a2))
#输出
h:e:l:l:o: :g:o:o:d: :b:o:y: :x:i:a:o:m:i:n:g

对元组进行操作

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：725638078
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
a3 = ('hello','good' , 'boy' , 'xiaoming')
print(':'.join(a3))
#输出
hello:good:boy:xiaoming

对字典进行操作

a4 = {'hello':1,'good': 2, 'boy': 3, 'xiaoming':4}
print(':'.join(a4))
#输出
hello:good:boy:xiaoming

合并目录

import os
a5 = os.path.join('/hello/','good/boy/','xiaoming')
print(a5)
#输出
/hello/good/boy/xiaoming

wordcloud库常规方法

1. w = wordcloud.WordCloud()
   配置对象参数：
   width —— 指定词云对象生成图片的宽度，默认400像素
   height —— 指定词云对象生成图片的高度，默认200像素
   min_font_size —— 指定词云中字体的最小字号，默认4号
   max_font_size —— 指定词云中字体的最大字号，根据高度自动调节
   font_step —— 指定词云中字体的步进间隔，默认为1
   font_path —— 指定字体文件的路径，默认None
   max_words —— 指定词云显示的最大单词量，默认200
   stop_words —— 指定词云的排除词列表
   mask —— 指定词云形状，默认为长方形，需要引用imread()函数
   background_color —— 指定词云图片的背景颜色，默认为黑色
2. w = generate(txt)
   加载词云文本
3. w.to_file(filename)
   输出词云文件

wordcloud执行过程分解：
①分隔：以空格分隔单词
②统计：单词出现次数并过滤
③字体：根据统计配置字号
④布局：颜色环境尺寸

实例

import matplotlib.pyplot as plt
from wordcloud import WordCloud
from imageio import imread
import jieba

file=open("D:\系统默认\桌面\dataset/alice.txt", encoding='utf-8')
# 将alice.txt文件打开
# open() 方法用于打开一个文件，并返回文件对象，在对文件进行处理过程都需要使用到这个函数，如果该文件无法被打开，会抛出 OSError。
article=file.read()
# 将文件内容读到article
file.close()
#关闭资源
seg_str=jieba.cut(article, cut_all=False)
# 使用jieba进行分词
liststr="/".join(seg_str)
#使用.join()方法用 ‘ / ’ 连接分割后的词
stopwords_path='D:\系统默认\桌面\dataset/stopwords6.txt'
#将文件路径赋值给stopwords_path
f_stop=open(stopwords_path, encoding='utf8')
# 将stopwords_path文件打开
f_stop_text=f_stop.read()
# 将文件内容读到f_stop_text
f_stop.close()
#关闭资源
mywordlist=[]
#创建mywordlist空列表
f_stop_seg_list=f_stop_text.split('\n')
#将f_stop_text以'\n'切割字符串，返回列表赋值给f_stop_seg_list
for myword in liststr.split('/'):
    if not(myword.strip() in f_stop_seg_list)and len(myword.strip())>1:
        mywordlist.append(myword)
#使用for循环，将liststr以 '/' 分割后的元素，一个个放入myword中，如果myword在的f_stop_seg_list中，且myword.strip()长度大于1，就将myword添加到列表mywordlist中
#此步是为了，去除停用词，将去除的停用词的元素放到新建的列表中
ss=' '.join(mywordlist)
#将mywordlist以空格分割
bg="D:\系统默认\桌面\dataset/alice.jpg"
#将图片路径赋值到变量bg中
imgbg=imread(bg)
#imread()函数读取图片
a=WordCloud(font_path="D:\系统默认\桌面\dataset/simhei.ttf", background_color='white', width=1000, height=800, mask=imgbg)
#定义词图的样式
#绘制云图
a.generate(ss)
#根据文本生成词云
plt.imshow(a)
plt.axis("off")
plt.show()

运行结果：