作业——04 中文词频统计

作业的要求来自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

---

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。

　　安装词云：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud

　　　　下载安装：下载 https://www.lfd.uci.edu/~gohlke/pythonlibs/#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()

源码：

# -*- coding: utf-8 -*-
"""
Created on Mon Mar 18 09:29:05 2019

@author: Administrator
"""
from wordcloud import WordCloud
import matplotlib.pyplot as plt

import jieba

def stopwordslist():
    stopwords = [line.strip() for line in open('stops_chinese.txt',encoding='UTF-8').readlines()]
    return stopwords

txt= open(r'G:\大三下课程文件\大数据技术\作业4\斗罗大陆.txt','r',encoding='utf-8').read()

'创建停用词列表'
stopwords = stopwordslist()

wordsls = jieba.lcut(txt);
wcdict={}

for word in wordsls:
    if word not in stopwords:
        if len(word)==1:
            continue
        else:
            wcdict[word]=wcdict.get(word,0)+1
      
wcdict['斗罗大陆']=wcdict['斗罗']+wcdict['大陆']
del(wcdict['大陆'])

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


for i in range(20):
    print(wcls[i])
    
cut_text = " ".join(wordsls)
'print(cut_text)'

mywc = WordCloud().generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

'''
#排序好的单词列表word保存成csv文件#
import pandas as pd
pd.DataFrame(data=wcls).to_csv('dldl.csv',encoding='utf-8')

'''

中文词频统计

结果图：