中文词频统计与词云生成

作业来源：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。

下载了斗破苍穹。

2. 从文件读取待分析文本。

doupo = open('111.txt','r',encoding='utf-8').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.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

import jieba
xiyouji = open('dp.txt', 'r', encoding='utf-8').read()
tichu = open('scel_to_text.txt', 'r', encoding='utf-8').read()
stops = tichu.split()

wordsls = jieba.lcut(xiyouji)
tokens = [token for token in wordsls if token not in stops]
print(len(wordsls), len(tokens))
wcdict = {}
for word in tokens:
    if len(word) == 1:
        continue
    else:
        wcdict[word] = wcdict.get(word, 0) + 1
wcls = list(wcdict.items())
wcls.sort(key=lambda x: x[1], reverse=True)
for i in range(20):
    print(wcls[i])

　　

6. 排序

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]

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

txt = open('ludingji.csv','r',encoding='utf-8').read()
ludingjilist = jieba.lcut(txt)
 
 
wl_spl = "".join(ludingjilist)
mywc = WordCloud().generate(wl_spl)
 
plt.imshow(mywc)
plt.axis("off")
plt.show()