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)

4. 更新詞庫，加入所分析對象的專業詞彙。

　　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. 排除語法型詞彙，代詞、冠詞、連詞等停用詞。

　　stops

8. 輸出詞頻最大TOP20，把結果存放到文件裏

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修改爲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（字體能夠在C:\Windows\Fonts複製）

　　使用：

　　　　一、引入模塊

　　　　　　from wordcloud import WordCloud

　　　　　　import matplotlib.pyplot as plt

　　　　二、導入文本

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

　　　　四、生成詞雲

　　　　　　mywc = WordCloud().generate(wl_split)

　　　　五、顯示詞雲

　　　　　　plt.imshow(mywc)

　　　　　　plt.axis("off")

　　　　　　plt.show()

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
txt = open('text1.txt','r',encoding='utf-8').read() #打開長篇小說
words=jieba.lcut(txt)


stopwords=[]
for word in open ('stops.txt','r',encoding='utf-8'):#導入停用詞
    stopwords.append(word.strip())

jieba.load_userdict('words.txt')#詞庫文本文件
wcdict={}
for word in words:#分詞
    if len(word)==1:
        continue
    else:
        wcdict[word]=wcdict.get(word,0)+1

for word in stopwords:
    if word in wcdict.keys():
        wcdict.pop(word)

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



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



cut_text = " ".join(words)
'print(cut_text)'

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

詞頻統計