# 导入库
import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy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
读取文本文件
with open('article1.txt') as fn:
string_data = fn.read() #使用read方法读取整段文本
文本预处理
pattern = re.compile(u'\t|\n|\.|-|一|:|;|\)|\(|\?|"') #建立正则表达式匹配模式
string_data = re.sub(pattern, '', string_data) #将符合模式的字符串替换掉
文本分词
seg_list_exact = jieba.cut(string_data, cut_all=False) # 精确模式分词[默认模式]
remove_words = ['的', ',', '和', '是', '随着', '对于', ' ', '对', '等', '能', '都',
'。', '、', '中', '与', '在', '其', '了', '可以', '进行', '有', '更',
'需要', '提供', '多', '能力', '通过', '会', '不同', '一个', '这个', '我们',
'将', '并', '同时', '看', '如果', '但', '到', '非常', '—', '如何', '包括', '这'] # 自定义去除词库
将不在去除词列表中的词添加到列表中
# remove_words = [] #空去除词列表,用于跟关键字提取做效果对比
object_list = [i for i in seg_list_exact if i not in remove_words] # 将不在去除词列表中的词添加到列表中
词频统计
word_counts = collections.Counter(object_list) # 对分词做词频统计
word_counts_top5 = word_counts.most_common(5) #获取前5个频率最高的词
word_counts_top5
#[('数据', 113), ('分析', 48), ('功能', 47), ('Adobe', 45), ('Analytics', 37)]
for w, c in word_counts_top5: #分别读出每条词和出现从次数
print(w, c) #打印输出
词频展示
mask = np.array(Image.open('wordcloud.jpg')) # 定义词频背景
wc = wordcloud.WordCloud(
font_path='C:/Windows/Fonts/simhei.ttf', # 设置字体格式,不设置将无法显示中文
mask=mask, # 设置背景图
max_words=200, # 设置最大显示的词数
max_font_size=100, # 设置字体最大值
)
显示词云
wc.generate_from_frequencies(word_counts) # 从字典生成词云
image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案
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