中文詞頻統計與詞雲生成

作業來源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

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

jieba.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

tokens=[token for token in wordsls if token not in stops]

8. 輸出詞頻最大TOP20，把結果存放到文件里

9. 生成詞雲。

 代碼如下：

import jieba
def read_file():
     f = open('C:\\Users\\leo\\Desktop\\我當陰陽先生的那幾年.txt', 'r', encoding='utf-8')
     content = f.read()  #通過文件讀取字符串 str
     f.close()
     return content
def read_stops():
     f = open('C:\\Users\\leo\\Desktop\\stops_chinese.txt', 'r', encoding='utf-8')
     content = f.read()  #通過文件讀取字符串 str
     f.close()
     return content
text = read_file()
stops = read_stops().split()
#添加不切割的詞
jieba.add_word('三清書')
jieba.add_word('崔作非')
jieba.add_word('福澤堂')
#分割
words = jieba.lcut(text)
#除掉stops
tokens = [token for token in words if token not in stops]
wcdict = {}
"""統計次數並排序"""
for word in tokens:
    if len(word)==1:
        continue
    else:
        wcdict[word] = wcdict.get(word,0)+1
wcls = list(wcdict.items())
wcls.sort(key=lambda x:x[1],reverse=True)
for i in range(20):
    print(wcls[i])
cut_text = " ".join(tokens)
"""生成詞雲"""
from wordcloud import WordCloud
ciyun = WordCloud().generate(cut_text)
import matplotlib.pyplot as plt
plt.imshow(ciyun)
plt.axis("off")
plt.show()
ciyun.to_file(r'D:\搜狗高速下載\wordCloud.jpg')

 

 

詞頻統計截圖：

 

詞雲展示：

主要問題：pycharm安裝第三方庫不成功，目測是pip的版本太低，大概就是版本問題，第三方的庫都安裝不了

解決方法：1.通過命令行安裝

2.下載壓縮包並解壓到放置package的路徑