当前位置 : 主页 > 网络推广 > seo >

中文词频统计

来源:互联网 收集:自由互联 发布时间:2021-06-16
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 j

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:

网友评论