中文词频统计与词云生成

 

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

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

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

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

9. 生成词云。

import jieba
import pandas as pd
from wordcloud import WordCloud
import matplotlib.pyplot as plt
from scipy.misc import imread
def getNumber(x):
    y=x[1]
    return y
file=open(r'F:\政治.txt','r',encoding='UTF-8').read()
ss="，。；！？”“\n"
for i in ss:
    file=file.replace(i,'')
#添加词库
jieba.load_userdict(r'G:\txt\政治【官方推荐】.txt')
#分词
cun=jieba.lcut(file)
# cun = set(jieba.lcut(file))
#读取停用词文件
fe=open(r'F:\stops_chinese.txt','r',encoding='UTF-8').read()
stops=fe.split('\n')
tokens=[token for token in cun if token not in stops]
dis={}
for j in tokens:
    if j not in dis:
        dis[j] = 1
    else:
        dis[j] = dis[j]+1
words_list = list(dis.items())
words_list.sort(key=getNumber , reverse=True)
#输出前20
for k in range(20):
    print(words_list[k])
#保存为csv文件
pd.DataFrame(data=words_list).to_csv(r'F:\hlm.csv',encoding='UTF-8')
# 读入图片
im = imread(r'F:\66.jpg')
wl_split=''.join(cun)
mywc = WordCloud(background_color='pink',mask= im,margin=2).generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
#显示词云
plt.show()