中文詞頻統計

改做業要求來源於：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

1、要求

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()

2、代碼

這裏我下的中文小說是哈利波特

import operator

from wordcloud import WordCloud
import matplotlib
import matplotlib.pyplot as plt

import jieba
jieba.load_userdict("哈利波特詞庫.txt")

file=open('哈利波特.txt','r',encoding='utf-8')
text=file.read()
file.close()

f=open('stops_chinese1.txt','r',encoding='utf-8')
symbols=f.read().split()
f.close()
symbol=list(symbols)
#symbol='，。？！「」《》；： 、'
str=jieba.lcut(text)
dic={}
for word in str:
    if word not in dic:
        dic[word] = 1
    if len(word)==1:
        continue
    else:
        dic[word] = dic[word] + 1

for bd in symbol:
    if bd in dic:
        del(dic[bd])
    else:
        dic=dic
swd=sorted(dic.items(),key=operator.itemgetter(1), reverse=True)
print(swd[0:20])

cloud = WordCloud(
        #設置字體，不指定就會出現亂碼
        font_path='c:\\windows\\Fonts\\msyh.ttc',
        #font_path=path.join(d,'simsun.ttc'),
        #設置背景色
        background_color='white',
        #容許最大詞彙
        max_words=2000,
        #最大號字體
        max_font_size=40
    )

word_text=" ".join(str)
mywc=cloud.generate(word_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

　　

　3、結果截圖