Python中文詞頻統計

1. 下載一長篇中文小說。

2. 從文件讀取待分析文本。

3. 安裝並使用jieba進行中文分詞。

pip install jieba

import jieba

ljieba.lcut(text)

 

import jieba
txt = open(r'piao.txt','r',encoding='utf-8').read()

wordsls=jieba.lcut(txt)
wcdict={}
for word in wordsls:
    if len(word)==1:
        continue
    else:
        wcdict[word]=wcdict.get(word,0)+1
#word在wcdict中沒有找到對應的詞語，則返回0
wcls=list(wcdict.items())
wcls.sort(key=lambda x:x[1],reverse=True)

for i in range(25):
    print(wcls[i])

 

 

 

4. 更新詞庫，加入所分析對象的專業詞匯。

jieba.add_word('天罡北斗陣')  #逐個添加

jieba.load_userdict(word_dict)  #詞庫文本文件

 

jieba.add_word('思嘉奧哈拉')
jieba.lcut(txt)

 

5. 生成詞頻統計

6. 排序（如上圖）

7. 排除語法型詞匯，代詞、冠詞、連詞

 

import jieba
txt = open(r'piao.txt','r',encoding='utf-8').read()

for ch in '-#$%^&*()@:{}_+[]~':
    txt =txt.replace(ch," ")#將文本中的特殊字符轉換為空格替代

wordsls=jieba.cut(txt)
#分解提取單詞
print('\n')
List=str.strip('')
print(len(List),List)
#單詞計數字典
print('/n')
wordsls=set(List)
print(len(wordsls),wordsls)

wcdict={}
for word in wordsls:
    if len(word)==1:
        continue
    else:
        wcdict[word]=wcdict.get(word,0)+1
        #word在wcdict中沒有找到對應的詞語，則返回0


#wcdict['思嘉']=wcdict['思嘉']+wcdict["思嘉奧哈拉"]
#del(wcdict['思嘉奧哈拉'])

wcls=list(wcdict.items())
wcls.sort(key=lambda x:x[1],reverse=True)

#排除語法型詞匯，代詞、冠詞、連詞
xx=['他們','沒有','自己','一個','什么','這樣','知道','我們','這個','這些','不過','已經','要是','覺得','那樣','而且']
wordsls= wordsls-xx
print(len(wordsls),wordsls)

jieba.add_word('思嘉 奧哈拉')
jieba.lcut(txt)

for i in range(25):
    print(wcls[i])

 

import re
import collections
import numpy as np
import jieba
from wordcloud import WordCloud # 詞雲展示庫
from PIL import Image # 圖像處理庫
import matplotlib.pyplot as plt # 圖像展示庫


txt = open(r'piao.txt','r',encoding='utf-8').read()
for ch in '-#$%^&*()@:{}_+[]~\n':
    txt =txt.replace(ch," ")#將文本中的特殊字符轉換為空格替代

stop_word=[]
stop_word=open("停用詞.txt","r",encoding='UTF-8').read().split("\n")

wordsls=jieba.lcut(txt)
object_list=[]
for i in wordsls:
    if len(i)!=1:
        if i not in stop_word:
            object_list.append(i)



word_counts = collections.Counter(object_list) # 對分詞做詞頻統計
word_counts_top10 = word_counts.most_common(20) # 獲取前10最高頻的詞
print (word_counts_top10) # 輸出檢查



wl_split=' '.join(object_list)

mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()

　　

8. 輸出詞頻最大TOP20，把結果存放到文件里

9. 生成詞雲

 

安裝詞雲：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud

 

下載安裝：下載 https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

 

安裝 找到下載文件的路徑  pip install wordcloud-1.5.0-cp37-cp37m-win_amd64.whl

 

配置：

 

在WordCloud安裝的目錄下找到WordCloud.py文件，對源碼進行修改。

 

編輯wordcloud.py，找到FONT_PATH，將DroidSansMono.ttf修改成msyh.ttf。這個msyh.ttf表示微軟雅黑中文字體。

 

在同一個目錄下放置msyh.ttf字體文件供程序調用（字體可以在C:\Windows\Fonts復制）

 

使用：

 

1、引入模塊

 

from wordcloud import WordCloud

 

import matplotlib.pyplot as plt

 

2、導入文本

 

  准備生成詞雲的文本word_text =' '.join(wordlist)  #是以空格分隔的字符串

 

4、生成詞雲

 

mywc = WordCloud().generate(wl_split)

 

5、顯示詞雲

 

plt.imshow(mywc)

 

plt.axis("off")

 

plt.show()