中文词频统计-白红宇

中文词频统计

阅读量：5883 次

发布时间：2019-06-19

本文共 1859 字，大约阅读时间需要 6 分钟。

作业的要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

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

ljieba.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

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

安装词云：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud

下载安装：下载

安装找到下载文件的路径 pip install wordcloud-1.5.0-cp37-cp37m-win_amd64.whl

配置：

在WordCloud安装的目录下找到WordCloud.py文件，对源码进行修改。

编辑wordcloud.py，找到FONT_PATH，将DroidSansMono.ttf修改成msyh.ttf。这个msyh.ttf表示微软雅黑中文字体。

在同一个目录下放置msyh.ttf字体文件供程序调用（字体可以在C:\Windows\Fonts复制）

使用：

1、引入模块

from wordcloud import WordCloud

import matplotlib.pyplot as plt

2、导入文本

准备生成词云的文本word_text =' '.join(wordlist) #是以空格分隔的字符串

4、生成词云

mywc = WordCloud().generate(wl_split)

5、显示词云

plt.imshow(mywc)

plt.axis("off")

plt.show()

1 # -*- coding: utf-8 -*- 2 """ 3 Created on Mon Mar 18 15:54:31 2019 4  5 @author: Administrator 6 """ 7  8 from wordcloud import WordCloud 9 import matplotlib.pyplot as plt10 import jieba11 txt=open(r'csk.txt','r',encoding='utf-8').read()12  13 s=[line.strip() for line in open('stops_chinese.txt',encoding='utf-8').readlines()]14 jieba.load_userdict(s)15  16  17 wordcut = jieba.lcut(txt)18  19 wdict = {}20  21 for word in wordcut:22    if word not in s:23         if len(word)==1:24             continue25         else:26             wdict[word]=wdict.get(word,0)+127              28 wc=list(wdict.items())29 wc.sort(key=lambda x:x[1], reverse=True)30  31 for i in range(25):32        print(wc[i])33  34 cut_text = " ".join(wordcut)35 'print(cut_text)'36  37 mywc = WordCloud().generate(cut_text)38 plt.imshow(mywc)39 plt.axis("off")40 plt.show()