import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy数据处理库
import jieba # 结巴分词
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
# 读取文件
fn = open('./corpus/C000007/11.txt', encoding="utf-8")#这里需要自己导入文件路径
string_data = fn.read() # 读出整个文件
fn.close() # 关闭文件
# 文本预处理
pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式
string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除
# 文本分词
seg_list_exact = jieba.cut(string_data, cut_all=False) # 精确模式分词
object_list = []
remove_words =[u'的',u',',u'和',u'是',u'随着',u'对于',u'对',u'等',u'能',u'都',u'.',u' ',u'、',u'中',u'在',u'了',u'通常',u'如果',u'我们',u'需要'] # 读取停用词文档,去除所有停用词和标点空格等
for word in seg_list_exact: # 循环读出每个分词
if word not in remove_words: # 如果不在去除词库中
object_list.append(word) # 分词追加到列表
# 词频统计
word_counts = collections.Counter(object_list) # 对分词做词频统计
word_counts_top10 = word_counts.most_common(10) # 获取前x最高频的词
print(word_counts_top10) # 输出检查
wc=wordcloud.WordCloud(font_path='C:\\Users\\jiang\\Desktop\\文本挖掘课程\\daima\\SimHei.ttf', #字体文件下载:https://us-logger1.oss-cn-beijing.aliyuncs.com/SimHei.ttf
# mask=mask, #设置背景图
max_words=200, #最多显示词数
max_font_size=100#字体最大值
)
#设置字体格式
wc.generate_from_frequencies(word_counts)
# image_colors=wordcloud.ImageColorGenerator(mask)
# 从背景图简历颜色方案
# wc.recolor(color_func=image_colors) #将词云颜色设置为背景图方案
plt.imshow(wc) #显示词云
plt.axis('off') #关闭坐标轴
plt.show() #显示图像