python词频统计_Python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)

import jieba

txt = open(r'piao.txt','r',encoding='utf-8').read()

wordsls=jieba.lcut(txt)

wcdict={}

for word in wordsls:

if len(word)==1:

continue

else:

wcdict[word]=wcdict.get(word,0)+1

#word在wcdict中没有找到对应的词语，则返回0

wcls=list(wcdict.items())

wcls.sort(key=lambda x:x[1],reverse=True)

for i in range(25):

print(wcls[i])

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

jieba.add_word('思嘉奥哈拉')

jieba.lcut(txt)

5. 生成词频统计

6. 排序（如上图）

7. 排除语法型词汇，代词、冠词、连词

import jieba

txt = open(r'piao.txt','r',encoding='utf-8').read()

for ch in '-#$%^&*()@:{}_+[]~':

txt =txt.replace(ch," ")#将文本中的特殊字符转换为空格替代

wordsls=jieba.cut(txt)

#分解提取单词

print('\n')

List=str.strip('')

print(len(List),List)

#单词计数字典

print('/n')

wordsls=set(List)

print(len(wordsls),wordsls)

wcdict={}

for word in wordsls:

if len(word)==1:

continue

else:

wcdict[word]=wcdict.get(word,0)+1

#word在wcdict中没有找到对应的词语，则返回0

#wcdict['思嘉']=wcdict['思嘉']+wcdict["思嘉奥哈拉"]

#del(wcdict['思嘉奥哈拉'])

wcls=list(wcdict.items())

wcls.sort(key=lambda x:x[1],reverse=True)

#排除语法型词汇，代词、冠词、连词

xx=['他们','没有','自己','一个','什么','这样','知道','我们','这个','这些','不过','已经','要是','觉得','那样','而且']

wordsls= wordsls-xx

print(len(wordsls),wordsls)

jieba.add_word('思嘉 奥哈拉')

jieba.lcut(txt)

for i in range(25):

print(wcls[i])

import re

import collections

import numpy as np

import jieba

from wordcloud import WordCloud # 词云展示库

from PIL import Image # 图像处理库

import matplotlib.pyplot as plt # 图像展示库

txt = open(r'piao.txt','r',encoding='utf-8').read()

for ch in '-#$%^&*()@:{}_+[]~\n':

txt =txt.replace(ch," ")#将文本中的特殊字符转换为空格替代

stop_word=[]

stop_word=open("停用词.txt","r",encoding='UTF-8').read().split("\n")

wordsls=jieba.lcut(txt)

object_list=[]

for i in wordsls:

if len(i)!=1:

if i not in stop_word:

object_list.append(i)

word_counts = collections.Counter(object_list) # 对分词做词频统计

word_counts_top10 = word_counts.most_common(20) # 获取前10最高频的词

print (word_counts_top10) # 输出检查

wl_split=' '.join(object_list)

mywc = WordCloud().generate(wl_split)

plt.imshow(mywc)

plt.axis("off")

plt.show()

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

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()