# yyds干货盘点 # 手把手教你对抓取的文本进行分词词频统计词云可视化和情感分析

Posted 2022-02-10 Python进阶者

大家好，我是Python进阶者。

前言

前几天星耀群有个叫【小明】的粉丝在问了一道关于Python处理文本可视化+语义分析的问题，如下图所示。

他要构建语料库，目前通过Python网络爬虫抓到的数据存在一个csv文件里边，现在要把数据放进txt里，表示不会，然后还有后面的词云可视化，分词，语义分析等，都不太会。

关于词云的文章，历史文章已经写了十几篇了，感兴趣的话可以在公众号历史文章搜索关键字“词云”前往，但是关于分词和语义分析的文章，就分享过一篇，这个我在读研的时候写的，虽然有些时日，但是内容依旧精彩，欢迎前往查探：​​Python大佬分析了15万歌词，告诉你民谣歌手们到底在唱什么​​。

一、思路

内容稍微有点多，大体思路如下，先将csv中的文本取出，之后使用停用词做分词处理，再做词云图，之后做情感分析。

1、将csv文件中的文本逐行取出，存新的txt文件，这里运行代码《读取csv文件中文本并存txt文档.py》进行实现，得到文件《职位表述文本.txt》

2、运行代码《使用停用词获取最后的文本内容.py》，得到使用停用词获取最后的文本内容，生成文件《职位表述文本分词后_outputs.txt》

3、运行代码《指定txt词云图.py》，可以得到词云图；

4、运行代码《jieba分词并统计词频后输出结果到Excel和txt文档.py》，得到《wordCount_all_lyrics.xls》和《分词结果.txt》文件，将《分词结果.txt》中的统计值可以去除，生成《情感分析用词.txt》，给第五步情感分析做准备

5、运行代码《情感分析.py》，得到情感分析的统计值，取平均值可以大致确认情感是正还是负。

关于本文的源码和数据我都已经打包好上传到git了，在公众号后台回复关键词​​小明的数据​​即可获取。

二、实现过程

1.将csv文件中的文本逐行取出，存新的txt文件

这里运行代码《读取csv文件中文本并存txt文档.py》进行实现，得到文件《职位表述文本.txt》，代码如下。

# coding: utf-8
import pandas as pd
df = pd.read_csv(./职位描述.csv, encoding=gbk)
# print(df.head())

for text in df[Job_Description]:
    # print(text)
    if text is not None:
        with open(职位表述文本.txt, mode=a, encoding=utf-8) as file:
            file.write(str(text))

print(写入完成)

2.使用停用词获取最后的文本内容

运行代码《使用停用词获取最后的文本内容.py》，得到使用停用词获取最后的文本内容，生成文件《职位表述文本分词后_outputs.txt》，代码如下：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import jieba

# jieba.load_userdict(userdict.txt)
# 创建停用词list
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, r, encoding=utf-8).readlines()]
    return stopwords

# 对句子进行分词
def seg_sentence(sentence):
    sentence_seged = jieba.cut(sentence.strip())
    stopwords = stopwordslist(stop_word.txt)  # 这里加载停用词的路径
    outstr = 
    for word in sentence_seged:
        if word not in stopwords:
            if word != \\t:
                outstr += word
                outstr += " "
    return outstr

inputs = open(职位表述文本.txt, r, encoding=utf-8)
outputs = open(职位表述文本分词后_outputs.txt, w, encoding=utf-8)
for line in inputs:
    line_seg = seg_sentence(line)  # 这里的返回值是字符串
    outputs.write(line_seg + \\n)
outputs.close()
inputs.close()

关键节点，都有相应的注释，你只需要替换对应的txt文件即可，如果有遇到编码问题，将utf-8改为gbk即可解决。

3.制作词云图

运行代码《指定txt词云图.py》，可以得到词云图，代码如下：

from wordcloud import WordCloud
import jieba
import numpy
import PIL.Image as Image

def cut(text):
    wordlist_jieba=jieba.cut(text)
    space_wordlist=" ".join(wordlist_jieba)
    return space_wordlist
with open(r"C:\\Users\\pdcfi\\Desktop\\xiaoming\\职位表述文本.txt" ,encoding="utf-8")as file:
    text=file.read()
    text=cut(text)
    mask_pic=numpy.array(Image.open(r"C:\\Users\\pdcfi\\Desktop\\xiaoming\\python.png"))
    wordcloud = WordCloud(font_path=r"C:/Windows/Fonts/simfang.ttf",
    collocations=False,
    max_words= 100,
    min_font_size=10, 
    max_font_size=500,
    mask=mask_pic).generate(text)
    image=wordcloud.to_image()
    # image.show()
    wordcloud.to_file(词云图.png)  # 把词云保存下来

如果想用你自己的图片，只需要替换原始图片即可。这里使用Python底图做演示，得到的效果如下：

4.分词统计

运行代码《jieba分词并统计词频后输出结果到Excel和txt文档.py》，得到《wordCount_all_lyrics.xls》和《分词结果.txt》文件，将《分词结果.txt》中的统计值可以去除，生成《情感分析用词.txt》，给第五步情感分析做准备，代码如下：

#!/usr/bin/env python3
# -*- coding:utf-8 -*-

import sys
import jieba
import jieba.analyse
import xlwt  # 写入Excel表的库

# reload(sys)
# sys.setdefaultencoding(utf-8)

if __name__ == "__main__":

    wbk = xlwt.Workbook(encoding=ascii)
    sheet = wbk.add_sheet("wordCount")  # Excel单元格名字
    word_lst = []
    key_list = []
    for line in open(职位表述文本.txt, encoding=utf-8):  # 需要分词统计的原始目标文档

        item = line.strip(\\n\\r).split(\\t)  # 制表格切分
        # print item
        tags = jieba.analyse.extract_tags(item[0])  # jieba分词
        for t in tags:
            word_lst.append(t)

    word_dict = 
    with open("分词结果.txt", w) as wf2:  # 指定生成文件的名称

        for item in word_lst:
            if item not in word_dict:  # 统计数量
                word_dict[item] = 1
            else:
                word_dict[item] += 1

        orderList = list(word_dict.values())
        orderList.sort(reverse=True)
        # print orderList
        for i in range(len(orderList)):
            for key in word_dict:
                if word_dict[key] == orderList[i]:
                    wf2.write(key +   + str(word_dict[key]) + \\n)  # 写入txt文档
                    key_list.append(key)
                    word_dict[key] = 0

    for i in range(len(key_list)):
        sheet.write(i, 1, label=orderList[i])
        sheet.write(i, 0, label=key_list[i])
    wbk.save(wordCount_all_lyrics.xls)  # 保存为 wordCount.xls文件

得到的txt和excel文件如下所示：

5.情感分析的统计值

运行代码《情感分析.py》，得到情感分析的统计值，取平均值可以大致确认情感是正还是负，代码如下：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from snownlp import SnowNLP

# 积极/消极
# print(s.sentiments)  # 0.9769551298267365  positive的概率


def get_word():
    with open("情感分析用词.txt", encoding=utf-8) as f:
        line = f.readline()
        word_list = []
        while line:
            line = f.readline()
            word_list.append(line.strip(\\r\\n))
        f.close()
        return word_list


def get_sentiment(word):
    text = u.format(word)
    s = SnowNLP(text)
    print(s.sentiments)


if __name__ == __main__:
    words = get_word()
    for word in words:
        get_sentiment(word)

# text = u
# 也许
# 
# s = SnowNLP(text)
# print(s.sentiments)
#     with open(lyric_sentiments.txt, a, encoding=utf-8) as fp:
#         fp.write(str(s.sentiments)+\\n)
# print(happy end)

基于NLP语义分析，程序运行之后，得到的情感得分值如下图所示：

将得数取平均值，一般满足0.5分以上，说明情感是积极的，这里经过统计之后，发现整体是积极的。

四、总结

我是Python进阶者。本文基于粉丝提问，针对一次文本处理，手把手教你对抓取的文本进行分词、词频统计、词云可视化和情感分析，算是完成了一个小项目了。下次再遇到类似这种问题或者小的课堂作业，不妨拿本项目练练手，说不定有妙用噢，拿个高分不在话下！

最后感谢粉丝【小明】提问，感谢【