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。

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

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

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。

代码如下：

 1 import jieba
 2 def read_file():
 3      f = open('C:\Users\leo\Desktop\我当阴阳先生的那几年.txt', 'r', encoding='utf-8')
 4      content = f.read()  #通过文件读取字符串 str
 5      f.close()
 6      return content
 7 def read_stops():
 8      f = open('C:\Users\leo\Desktop\stops_chinese.txt', 'r', encoding='utf-8')
 9      content = f.read()  #通过文件读取字符串 str
10      f.close()
11      return content
12 text = read_file()
13 stops = read_stops().split()
14 #添加不切割的词
15 jieba.add_word('三清书')
16 jieba.add_word('崔作非')
17 jieba.add_word('福泽堂')
18 #分割
19 words = jieba.lcut(text)
20 #除掉stops
21 tokens = [token for token in words if token not in stops]
22 wcdict = {}
23 """统计次数并排序"""
24 for word in tokens:
25     if len(word)==1:
26         continue
27     else:
28         wcdict[word] = wcdict.get(word,0)+1
29 wcls = list(wcdict.items())
30 wcls.sort(key=lambda x:x[1],reverse=True)
31 for i in range(20):
32     print(wcls[i])
33 cut_text = " ".join(tokens)
34 """生成词云"""
35 from wordcloud import WordCloud
36 ciyun = WordCloud().generate(cut_text)
37 import matplotlib.pyplot as plt
38 plt.imshow(ciyun)
39 plt.axis("off")
40 plt.show()
41 ciyun.to_file(r'D:搜狗高速下载wordCloud.jpg')

词频统计截图：

词云展示：

主要问题：pycharm安装第三方库不成功，目测是pip的版本太低，大概就是版本问题，第三方的库都安装不了

解决方法：1.通过命令行安装

2.下载压缩包并解压到放置package的路径