中文詞頻統計

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
article = open('魔法學徒.txt','r', encoding='UTF-8').read() #打開統計詞頻文本

stopwords = []
for word in open('stops_chinese1.txt','r', encoding='UTF-8'): #導入停用詞
    stopwords.append(word.strip())

jieba.load_userdict('魔法學徒詞庫.txt') #詞庫文本文件
words=jieba.lcut(article)

word_freq = {} #分詞
for word in words:
    if len(word) == 1:
        continue
    else:
        word_freq[word] = word_freq.get(word, 0) + 1

for word in stopwords:  #去掉停用詞
    if word in word_freq.keys():
        word_freq.pop(word)

freq_word = [] #統計詞頻
for word, freq in word_freq.items():
    freq_word.append((word, freq))
freq_word.sort(key = lambda x: x[1], reverse = True)

for i in range(20):#輸出詞頻最大TOP20
    print(freq_word[i])

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

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

效果截圖;