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。

月牙儿 老舍

 

2. 从文件读取待分析文本。

text = open('zh.txt',encoding='UTF-8').read()

　　

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('我')
jieba.add_word('妈妈')
jieba.add_word('月牙儿')
words = list(jieba.cut(mytext))

　　

5. 生成词频统计

dele = {'。','！','？','的','“','”','（','）',' ','》','《','，'}
wordDict = {}
wordSet = set(words)-dele  ##去除无语义符号
 
for w in wordSet:   
    if len(w)>1:       
        wordDict[w] = words.count(w)

　　

6. 排序

wordlist = sorted(wordDict.items(), key = lambda x:x[1], reverse = True)

　　

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

text = open('zh.txt',encoding='UTF-8').read()


##更新词库，添加词
jieba.add_word('我')
jieba.add_word('妈妈')
jieba.add_word('月牙儿')
words = list(jieba.cut(text))

##生成词频统计，排除语法型词汇，代词、冠词、连词等停用词
dele = {'。','！','？','的','呢','哦','“','”','（','）',' ','》','《','，'}
wordDict = {}
wordSet = set(words)-dele
for w in wordSet:
    if len(w)>1:
        wordDict[w] = words.count(w)

##排序
wordlist = sorted(wordDict.items(), key = lambda x:x[1], reverse = True)

cut = " ".join(words)

##生成词云
mywc = WordCloud().generate(cut)
plt.imshow(mywc)
plt.axis("off")
##显示词云
plt.show()

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

##把结果存放到文件里
pd.DataFrame(data=wordlist).to_csv('text.csv', encoding='UTF-8')