本次作业在要求来自:https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773
中文词频统计步奏
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。
具体代码如下:
1 # -*- coding: utf-8 -*- 2 import jieba 3 jieba.load_userdict('斗罗大陆【官方推荐】.txt'); 4 5 #中文分词预处理 6 f = open('斗罗大陆.txt','r',encoding="utf8").read(); 7 article = jieba.lcut(f); 8 #setArticle = set(article); 9 #print(article); 10 11 stopwords = open('stops_chinese1.txt','r',encoding="utf8").read(); 12 #print("输出停用词结果:"+stopwords); 13 #setStop = set(stopwords); 14 #print(setStop); 15 stop = [] 16 for word in stopwords: 17 stop.append(word.strip()); 18 19 #setArticle = setArticle - setStop; 20 #print(setArticle); 21 22 dict = {}; 23 for word in article: 24 if word not in stop; 25 if len(word)==1: 26 continue; 27 else: 28 dict[word]=dict.get(word,0)+1; 29 30 31 #print("输出字典:"+dict.items()); 32 words = list(dict.items()); # 以列表返回可遍历的(键, 值)元组数组 33 words.sort(key = lambda x:x[1],reverse = True); # 根据单词出现的次数进行排名 34 35 for i in range(20): 36 print(words[i]); 37 print("输出前二十:"+words);# 输出TOP(20)