中文詞頻統計

該作業要求來自于：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

　　jieba.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  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
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import pandas as pd
#打開檔案
def open_file():
    file=open("兩會報告.txt","r",encoding="utf-8");
    f=file.read();
    file.close();
    return f;

#分割檔案
def cut_file(file):
    stopwords = stopwordslist("stops_chinese1.txt");
    for r in stopwords:
        file = file.replace(r, "");
    j=jieba.lcut(file);
    return j;

#統計詞頻
def count_word(l,f):
    d={};
    for i in l:
        if len(i)==1:
            l.remove(i);
        else:
            d[i] = f.count(i);
    d=sorted(d.items(),reverse=True,key=lambda d:d[1]);
    for index in range(20): #前20位詞頻數
        print(d[index]);
    pd.DataFrame(data=d).to_csv('兩會詞頻.csv', encoding='utf-8');  # 儲存為.csv格式
    return d;

#生成詞雲
def get_wordcloud(l):
    wl_split = " ".join(l);#以空格分割清單元素
    mywc=WordCloud().generate(wl_split);
    plt.imshow(mywc);
    plt.axis("off");
    plt.show();

# 建立停用詞list
def stopwordslist(filepath):
    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]#一行一行讀取
    return stopwords;

#主函數
def main():
    f=open_file();
    l= cut_file(f);
    count_word(l,f);
    get_wordcloud(l);

main();