中文词频统计

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

3. 安装并使用jieba进行中文分词。

pip install jieba

import jieba

ljieba.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

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

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops

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

import jieba
article = open('story.txt',encoding='GBK').read()
dele = {'。','！','？','】','“','”','（','）',' ','》','《','，',''}  #停用词
jieba.add_word('沙僧')
words = list(jieba.cut(article))
print(words)
articleDict = {}
articleSet = set(words)-dele
word_freq = {} #分词
for word in words:
    if len(word) == 1:
        continue
    else:
        word_freq[word] = word_freq.get(word, 0) + 1

for word in dele:  #去掉停用词
    if word in word_freq.keys():
        word_freq.pop(word)

freq_word = [] #统计词频
for word, freq in word_freq.items():
    freq_word.append((word, freq))
freq_word.sort(key = lambda x: x[1], reverse = True)

for i in range(20):#输出词频最大TOP20
    print(freq_word[i])

cut_text = " ".join(words)
'print(cut_text)'