中文詞頻統計

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TOP25，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：

1、引入模塊

from wordcloud import WordCloud

import matplotlib.pyplot as plt

2、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

4、生成詞雲

mywc = WordCloud().generate(wl_split)

5、顯示詞雲

plt.imshow(mywc)

plt.axis("off")

plt.show()

 

 1 from wordcloud import WordCloud
 2 import matplotlib.pyplot as plt
 3 import jieba
 4 #打開小說
 5 txt = open(r'dao.txt', 'r', encoding='utf-8').read()
 6 #加載停用詞表
 7 s = [line.strip() for line in open('stops_chinese1.txt', encoding='utf-8').readlines()]
 8 jieba.load_userdict(s)
 9 #分詞
10 wordcut = jieba.lcut(txt)
11 wdict = {}
12 for word in wordcut:
13     if word not in s:#不在停用詞表中
14         if len(word) == 1:#不統計字數爲一的詞
15             continue
16         else:
17             wdict[word] = wdict.get(word, 0) + 1
18 #更新詞庫
19 jieba.add_word('你好啊')  #逐個添加
20 jieba.add_word('李銀河')  #逐個添加
21 #排序
22 wc = list(wdict.items())
23 wc.sort(key=lambda x: x[1], reverse=True)
24 #輸出詞頻最大TOP25
25 for i in range(25):
26     print(wc[i])
27 # 排序好的單詞列表word保存成csv文件
28 import pandas as pd
29 pd.DataFrame(data=wc).to_csv('dao.csv', encoding='utf-8')
30 #詞雲
31 cut_text = " ".join(wordcut)
32 'print(cut_text)'
33 mywc = WordCloud(font_path = 'msyh.ttc').generate(cut_text)
34 plt.imshow(mywc)
35 plt.axis("off")
36 plt.show()

chcount

運行截圖以下：

 

詞雲圖以下：