中文詞頻統計與詞雲生成

本次做業要求來自於：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。

2-7：

# 從文件讀取待分析文本
with open(r'D:\\學習\\明朝那些事兒.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# 使用jieba進行中文分詞
import jieba
# 先更新詞庫，加入所分析對象的專業詞彙，而後進行分詞
jieba.load_userdict(r'D:\\學習\\text\\明朝那些事兒(詞庫).txt')
textCut = jieba.lcut(text)

# 排除語法型詞彙，代詞、冠詞、連詞等停用詞
with open(r'D:\\學習\\stops_chinese.txt', 'r', encoding='utf-8') as f:
    stops = f.read().split('\n')
tokens = [token for token in textCut if token not in stops]

# 將文本轉化爲集合
words_set = set(tokens)
# 存入字典
words_dict = {}
for w in words_set:
    words_dict[w] = tokens.count(w)
# 字典轉換成列表對詞語進行詞頻排序
words_sort = list(words_dict.items())
words_sort.sort(key=lambda x: x[1], reverse=True)
# print(words_sort)
for w in words_sort:
    print(w)

運行結果示例：

 

8. 輸出詞頻最大TOP20，把結果存放到文件裏 

import pandas as pd
pd.DataFrame(data=words_sort).to_csv(r'D:\\學習\\明朝那些事兒.csv',encoding='utf-8')

運行示例獲得：

 

經過csv文件得出TOP20圖表：

 

9. 生成詞雲。 

# 插入空格把詞語分開
wl_split=' '.join(tokens)
# 調用generate()方法生成詞雲
from wordcloud import WordCloud
mywc = WordCloud().generate(wl_split)
# 顯示詞雲
import matplotlib.pyplot as plt
plt.imshow(mywc)
plt.axis("off")
plt.show()

運行示例，得出詞雲：