中文词频统计

---

 

这个作业的要求来自于：

 

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

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()

 

#载入短片小说并转换成utf-8编码import jiebatxt=open('xiaoshuo.txt','r',encoding='UTF-8').read()words=list(jieba.cut(txt))#除去语法词汇dic={}exp={
   '的','了','“','”','在','对','。','!','?'}keys=set(words)-exp# 单词计数字典for i in keys:    if len(i)>1:        dic[i]=words.count(i)wa=list(dic.items())wa.sort(key=lambda x:x[1],reverse=True)#排序#输出前词频前20的效果for i in range(20):    print(wa[i])

 

=============== RESTART: C:/Users/Administrator/Desktop/11.py ===============Building prefix dict from the default dictionary ...Loading model from cache C:\Users\ADMINI~1\AppData\Local\Temp\jieba.cacheLoading model cost 0.670 seconds.Prefix dict has been built succesfully.('泰山', 29)('叶凡', 28)('众人', 17)('同学', 17)('没有', 17)('青铜', 13)('一个', 12)('感觉', 11)('昨天', 11)('刘云志', 10)('封禅', 10)('过去', 9)('神秘', 9)('林佳', 8)('李小曼', 8)('那些', 7)('像是', 7)('龙尸', 7)('上古', 7)('毕业', 7)