中文詞頻統計

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

5. 生成詞頻統計

6. 排序

7. 排除文法型詞彙，代詞、冠詞、連詞

8. 輸出詞頻最大TOP25，把結果存放到檔案裡

9. 生成詞雲。

代碼：

import jieba
import wheel
import pip
if __name__ == '__main__':

#停用詞表
 stop = [line.strip() for line in open("stop.txt", 'r', encoding='utf-8').readlines()]

#導入文章文本
fo = open('duo3.txt','r',encoding='utf-8')
tk = fo.read()
fo.close()

#替換停用詞
for s in stop:
    tk = tk.replace(s, "")

#中文分詞
wordlist = jieba.lcut(tk)
print(tk)

#導入詞彙
jieba.load_userdict('duoluo.txt')

#生成字典
wcdict = {}
for word in wordlist:
    if len(word)==1:
        continue
    else:
        wcdict[word]= wcdict.get(word,0)+1

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

#輸出前二十五詞
for i in range(25):
    print(wcls[i])


wl_split=''.join(wordlist)


#生成詞雲
from wordcloud import WordCloud
import matplotlib.pyplot as plt

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

　結果截圖

詞雲生成：