中文統計

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。

ljieba.lcut(text)

4. 更新詞庫，加入所分析對象的專業詞彙。

jieba.load_userdict("D:\\dict.txt")       

  #詞庫文本檔案

5. 生成詞頻統計

6. 排序

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

7. 排除文法型詞彙，代詞、冠詞、連詞

8. 輸出詞頻最大TOP20，把結果存放到檔案裡

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

import  pandas as pd
pd.DataFrame(data=xu).to_csv("D:\\最強全才.csv",encoding='utf-8')      

9. 生成詞雲。

具體代碼：

# -*- coding: utf-8 -*-
import jieba

#加載停用表
stop = open("D:\\stops.txt", "r",encoding='utf-8').read()
#加載字典檔案
jieba.load_userdict("D:\\dict.txt") 

#分解詞語
stopwords = []
for word in stop:
    stopwords.append(word.strip())
article = open("D:\\最強全才.txt", "r",encoding='utf-8').read()
words = jieba.cut(article, cut_all = False)
#統計詞頻
stayed_line = {}
for word in words:
    if word.encode("utf-8") not in stopwords:
        if len(word)==1:
            continue
        else:
            stayed_line[word]=stayed_line.get(word,0)+1

print (stayed_line)

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

#輸出前20個結果
for i in range(20):
    print(xu[i])

#存到csv檔案中
import  pandas as pd
pd.DataFrame(data=xu).to_csv("D:\\最強全才.csv",encoding='utf-8')

      

#詞雲
from wordcloud import WordCloud
import matplotlib.pyplot as plt
wl_split=' '.join(xu)
mywc = WordCloud().generate(words)
plt.imshow(mywc)
plt.axis("off")
plt.show()      

　前20的結果：

詞雲圖：