中文词频统计与词云生成

2019-03-25 18:43:39 阅读：357 来源： 互联网

标签：wordList 中文 plt jieba stops tokens token 词云词频

作业来源：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE1/homework/2822

任务：

1. 下载一长篇中文小说

2. 从文件读取待分析文本

1 novel = open(r'E:\三体.txt', 'r', encoding='utf8').read()

3. 安装并使用jieba进行中文分词

pip install jieba

import jieba

jieba.lcut(text)

4. 更新词库，加入所分析对象的专业词汇

jieba.load_userdict(word_dict) #词库文本文件

jieba.load_userdict(r'E:\三体词库.txt')

参考词库下载地址：https://pinyin.sogou.com/dict/

转换代码：scel_to_text

5. 生成词频统计、排序

1 wordSet = set(tokens)
2 
3 wordDict = {}
4 for w in wordSet:
5     if len(w) > 1:
6         wordDict[w] = tokens.count(w)
7 wordList = list(wordDict.items())
8 wordList.sort(key=lambda x: x[1], reverse=True)

6. 排除语法型词汇，代词、冠词、连词等停用词

stops

tokens=[token for token in wordsls if token not in stops]

1 with open(r'E:\stops_chinese.txt', 'r', encoding='utf8') as f:
2     stops = f.read().split('\n')
3 tokens = [token for token in cutText if token not in stops]

7. 输出词频最大TOP25，把结果存放到文件里

1 for i in range(25):
2     print(wordList[i])

8. 生成词云

install wordcloud：

相关代码：

1 pd.DataFrame(data=wordList).to_csv('E:\\三体词频统计.csv', encoding='utf8')
2 cut_text = "".join(tokens)
3 im = imread(r'E:\tree.jpg')
4 mywc = WordCloud(background_color='white', mask=im, margin=2).generate(cut_text)
5 plt.imshow(mywc)
6 plt.axis("off")
7 plt.show()

9 完整代码：

 1 import jieba
 2 import pandas as pd
 3 from wordcloud import WordCloud
 4 import matplotlib.pyplot as plt
 5 from scipy.misc import imread
 6 
 7 novel = open(r'E:\三体.txt', 'r', encoding='utf8').read()
 8 jieba.load_userdict(r'E:\三体词库.txt')
 9 cutText = jieba.lcut(novel)
10 
11 with open(r'E:\stops_chinese.txt', 'r', encoding='utf8') as f:
12     stops = f.read().split('\n')
13 tokens = [token for token in cutText if token not in stops]
14 wordSet = set(tokens)
15 
16 wordDict = {}
17 for w in wordSet:
18     if len(w) > 1:
19         wordDict[w] = tokens.count(w)
20 wordList = list(wordDict.items())
21 wordList.sort(key=lambda x: x[1], reverse=True)
22 
23 for i in range(25):
24     print(wordList[i])
25 
26 
27 pd.DataFrame(data=wordList).to_csv('E:\\三体词频统计.csv', encoding='utf8')
28 cut_text = "".join(tokens)
29 im = imread(r'E:\tree.jpg')
30 mywc = WordCloud(background_color='white', mask=im, margin=2).generate(cut_text)
31 plt.imshow(mywc)
32 plt.axis("off")
33 plt.show()

运行结果：

标签：wordList,中文,plt,jieba,stops,tokens,token,词云,词频
来源： https://www.cnblogs.com/Aliuyu/p/10595474.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

中文词频统计与词云生成