中文詞頻統計

作業的要求來自于：https://edu.cnblogs.com/campus/gzcc/GZCC-16SE2/homework/2773

中文詞頻統計

1. 下載下傳一長篇中文小說。

2. 從檔案讀取待分析文本。

3. 安裝并使用jieba進行中文分詞。

pip install jieba

import jieba

ljieba.lcut(text)

4. 更新詞庫，加入所分析對象的專業詞彙。

jieba.add_word('天罡北鬥陣')  #逐個添加

jieba.load_userdict(word_dict)  #詞庫文本檔案

參考詞庫下載下傳位址：https://pinyin.sogou.com/dict/

轉換代碼：scel_to_text

5. 生成詞頻統計

6. 排序

7. 排除文法型詞彙，代詞、冠詞、連詞等停用詞。

stops

8. 輸出詞頻最大TOP20，把結果存放到檔案裡

9. 生成詞雲。

安裝詞雲：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud

下載下傳安裝：下載下傳 https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

安裝 找到下載下傳檔案的路徑

通過系統指令cmd配置

pip install wordcloud-1.5.0-cp37-cp37m-win_amd64.whl

配置：

在WordCloud安裝的目錄下找到WordCloud.py檔案，對源碼進行修改。

編輯wordcloud.py，找到FONT_PATH，将DroidSansMono.ttf修改成msyh.ttf。這個msyh.ttf表示微軟雅黑中文字型。

在同一個目錄下放置msyh.ttf字型檔案供程式調用（字型可以在C:\Windows\Fonts複制）

使用：

1、引入子產品

from wordcloud import WordCloud

import matplotlib.pyplot as plt

2、導入文本

  準備生成詞雲的文本word_text =' '.join(wordlist)  #是以空格分隔的字元串

4、生成詞雲

mywc = WordCloud().generate(wl_split)

5、顯示詞雲

plt.imshow(mywc)

plt.axis("off")

plt.show()

# -*- coding: utf-8 -*-
"""
Created on Mon Mar 18 15:54:31 2019

@author: Administrator
"""

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba

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

s = [line.strip() for line in open('gozqx.txt', encoding='utf-8').readlines()]
jieba.load_userdict(s)

wordcut = jieba.lcut(txt)

wdict = {}

for word in wordcut:
    if word not in s:
        if len(word) == 1:
            continue
        else:
            wdict[word] = wdict.get(word, 0) + 1

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

for i in range(25):
    print(wc[i])

cut_text = " ".join(wordcut)
'print(cut_text)'

mywc = WordCloud(font_path = 'msyh.ttc').generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()