中文词频统计与词云生成

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

中文词频统计

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

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.add_word(‘天罡北斗阵‘)  #逐个添加

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

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

转换代码：scel_to_text

XiaoShuo = open(r"C:\Users\Administrator\Desktop\青蛙王子.txt",‘r‘,encoding="utf8")
xiaoshuo = XiaoShuo.read()
XiaoShuo.close()
import jieba
jieba.add_word(‘小公主‘)
text = jieba.lcut(xiaoshuo)

5. 生成词频统计

with open(r"C:\Users\Administrator\Desktop\stops_chinese.txt",‘r‘,encoding="utf8")as f:
    stops = f.read().split(‘\n‘)
tokens = [token for token in text if token not in stops]
print(len(tokens),len(text))
cut_text = " ".join(tokens)

6. 排序

ZiDian = {}

for str in tokens:
    if str in ZiDian.keys():
        ZiDian[str] = ZiDian[str] + 1
    else:
        ZiDian[str] = 1

ZiDian = sorted(ZiDian.items(),key=lambda x:x[1],reverse=True)

7. 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]

tokens = [token for token in text if token not in stops]
print(len(tokens),len(text))

8. 输出词频最大TOP20，把结果存放到文件里

for i in ZiDian[0:20]:
    print(i)

9. 生成词云。

from scipy.misc import imread
im = imread(r‘C:\Users\Administrator\Desktop\guaguagua.jpg‘)
mywcl = WordCloud(background_color=‘white‘,mask=im,width=8000,height=4000,margin=2,max_font_size=150,max_words=2000).generate(cut_text)

import matplotlib.pyplot as plt
plt.imshow(mywcl)
plt.axis("off")

plt.show()
mywcl.to_file(r‘C:\Users\Administrator\Desktop\qingwa.png‘)

原文地址：https://www.cnblogs.com/qiannuohan/p/10579842.html