【大數據】中文詞頻統計

中文詞頻統計

1. 下載一長篇中文小說。

湯姆索亞歷險記

2. 從文件讀取待分析文本。

novel = open('湯姆索亞歷險記.txt','r',encoding='utf-8').read()

3. 安裝並使用jieba進行中文分詞。

pip install jieba

import jieba

ljieba.lcut(text)

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

參考詞庫下載地址：https://pinyin.sogou.com/dict/

轉換代碼：scel_to_text

5. 生成詞頻統計

6. 排序

7. 排除語法型詞匯，代詞、冠詞、連詞等停用詞。

stops

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()

import jieba

novel = open(r'tom.txt','r',encoding='utf-8').read()

stop = [line.strip() for line in open('stops_chinese.txt',encoding='utf-8').readlines()]

wcut = jieba.lcut(novel)
wdict = {}
for word in wcut:
    if word not in stop:
        if len(word)==1:
            continue
        else:
            wdict[word]=wdict.get(word,0)+1
jieba.add_word('哈克貝利')
jieba.add_word('湯姆')
wlist = list(wdict.items())
wlist.sort(key=lambda x:x[1], reverse=True)

for i in range(20):
    print(wlist[i])

import pandas as pd
pd.DataFrame(data=wlist).to_csv('result.csv',encoding='utf-8')

from wordcloud import WordCloud
import matplotlib.pyplot as plt
cut_text=' '.join(wcut)
mywc = WordCloud().generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

 

 

 

 誤用jieba命名py文件 項目里放的其他txt編碼格式不對 列表越界導致失敗了很久

 

按步驟修改了配置詞雲還是OSError: cannot open resource 把ttf改成ttc就行了………