【大數據】中文詞頻統計

做業來源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

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

import jieba

##########文件操做##########
#讀取小說文本
f = open("解憂雜貨店-東野圭吾.txt","r",encoding='UTF-8')
text = f.read()#讀取文件
f.close()#關閉文件

#讀取停用詞
f_stop = open("stops_chinese1.txt","r",encoding='utf-8')
stop = f_stop.read()#讀取文件
f_stop.close()#關閉文件
##########文件操做##########

#刪除停用詞
for s in stop:
    text = text.replace(s, "");
text = text.replace('　', '')
list = jieba.lcut(text)

#更新詞庫
jieba.add_word('雜貨店')
jieba.add_word('東野圭吾')
jieba.load_userdict('人物.txt')
#jieba.lcut_for_search()

dict = {}
for l in list:
    dict[l] = list.count(l);#獲取單詞數目

d = sorted(dict.items(),reverse = True,key = lambda d:d[1]); #排序

w_text = " "
for i in d:
    w_text = w_text + i[0] + " "

print("前20個單詞出現頻數爲：")
for i in range(20):
    print(d[i][0]," : ",d[i][1]);


import pandas as pd
pd.DataFrame(data = d).to_csv('count.csv',encoding = 'utf-8')
#保存爲.csv格式

#生成詞雲
from wordcloud import WordCloud
import matplotlib.pyplot as plt
wl_split=''.join(w_text)
mywc = WordCloud().generate(wl_split)
plt.imshow(mywc)
plt.axis("off")
plt.show()

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()