中文词频统计

文章选择：

中文词频统计选择了郭敬明的小说《悲伤逆流成河》。

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。

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

参考词库下载地址：https://pinyin.sogou.com/dict/

转换代码：scel_to_text

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

# -*- coding: utf-8 -*-"""
from wordcloud 
import WordCloudimport matplotlib.pyplot as plt
import jieba
article = open(‘hlm.txt‘,encoding=‘UTF-8‘).read()
dele = {‘。‘,‘！‘,‘？‘,‘】‘,‘“‘,‘”‘,‘（‘,‘）‘,‘ ‘,‘》‘,‘《‘,‘，‘}
jieba.add_word(‘悲伤‘)
words = list(jieba.cut(article))
articleDict = {}
articleSet = set(words)-dele
for w in articleSet:    
if len(w)>1:        
articleDict[w] = words.count(w)
articlelist = sorted(articleDict.items(),key = lambda x:x[1], reverse = True)
cut_text = " ".join(words)
‘print(cut_hlm)‘
mywc = WordCloud().generate(cut_hlm)
plt.imshow(mywc)plt.axis("off")
plt.show()
‘‘‘
for i in range(20):    
print(articlelist[i])
import pandas as pd
pd.DataFrame(data=articlelist).to_csv(‘test.csv‘,encoding=‘UTF-8‘)
‘‘‘
文章截图：

高频词排序并生成词云：