中文词频统计

Posted lijiajie

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了中文词频统计相关的知识,希望对你有一定的参考价值。

 

!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple jieba

 

 技术图片

 

 

import jieba
str="在神兽白泽的陪同下,游览大千世界,揭秘诸神奥妙。从凯尔特的神话世界出发,北欧、埃及、希腊、希伯来、印度、九州……无尽神话历史,无数神魔鬼怪,无穷世界隐秘,为您呈现……"
for v in jieba.cut(str):
    print(v)

 

 

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。

 技术图片

 

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

 技术图片

 

5. 生成词频统计

import jieba
txt=open(r‘stops_chinese1.txt‘,‘r‘,encoding=‘utf-8‘).read()

wcdict1=[line.strip() for line in open(‘stops_chinese2.txt‘,encoding=‘utf-8‘).readlines()]
jieba.load_userdict(wcdict1)

# wcdict2=[line.strip() for line in open(‘stop_chinese2.txt‘,encoding=‘utf-8‘).readlines()]
# jieba.load_userdict(wcdict2)

wordsls = jieba.lcut(txt)

wcdict = {}

for word in wordsls:
   if word not in wcdict1:
        if len(word)==1:
            continue
        else
:
            wcdict[word]=wcdict.get(word,0)+1

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

for i in range(25):
       print(wails)

 技术图片

 

 

6. 排序

 技术图片

 

 

7. 排除语法型词汇,代词、冠词、连词

技术图片

 

8. 输出词频最大TOP25,把结果存放到文件里

 技术图片

 

 

9. 生成词云。

 技术图片

 

 技术图片

 

 

 

from wordcloud import WordCloud

import matplotlib.pyplot as plt

import jieba

txt=open(r‘stops_chinese1.txt‘,‘r‘,encoding=‘utf-8‘).read()

 

wcdict1=[line.strip() for line in open(‘stops_chinese2.txt‘,encoding=‘utf-8‘).readlines()]

jieba.load_userdict(wcdict1)

 

# wcdict2=[line.strip() for line in open(‘stop_chinese2.txt‘,encoding=‘utf-8‘).readlines()]

# jieba.load_userdict(wcdict2)

 

wordsls = jieba.lcut(txt)

 

wcdict = {}

 

for word in wordsls:

   if word not in wcdict1:

        if len(word)==1:

            continue

        else:

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

 

wails=list(wcdict.items())

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

 

cut_text = " ".join(wordsls)

‘print(cut_text)‘

mywc = WordCloud(font_path = ‘msyh.ttf‘).generate(cut_text)

plt.imshow(mywc)

plt.axis("off")

plt.show()

for i in range(25):

       print(wails[i])

  

附:

import matplotlib.pyplot as plt

from wordcloud import WordCloud

import jieba

 

text_from_file_with_apath = open(‘/Users/hecom/23tips.txt‘).read()

 

wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)

wl_space_split = " ".join(wordlist_after_jieba)

 

my_wordcloud = WordCloud().generate(wl_space_split)

 

plt.imshow(my_wordcloud)

plt.axis("off")

plt.show()

    

以上是关于中文词频统计的主要内容,如果未能解决你的问题,请参考以下文章

Spark编程实战-词频统计

Spark编程实战-词频统计

中文词频统计

中文词频统计

中文词频统计

Python 分词后词频统计