词频统计以及分析（词云制作）

对文章进行词频的统计，分析文章的所属类型，分析文章是否满足要求，进行等等操作的时候，就需要进行词频的统计，还有就是制作一个词云图，直观显示文章的比重。

一、对英语文章的分析、

首先对文章进行特征处理（处理掉一些特殊符号）；

# 对文章进行特征处理
def getText():   
    txt = open("time.txt", "r").read()
    txt = txt.lower()                                                              # 装换为同一的大小写
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':                    # 排除这些特殊符号字符
        txt = txt.replace(ch, " ")
    return txt

其次对文章进行分裂；

hamletTxt = getText()
words = hamletTxt.split()
text = ' '.join(words)        # 把分割之后的词按照空格形式进行连接，方便制作词云

最后计算单词的词频，做出词云图；

counts = {}
for word in words:
    counts[word] = counts.get(word, 0) + 1                # 使用字典接受所有的单词的词频
items = list(counts.items())                                      # 转换为列表
items.sort(key=lambda x: x[1], reverse=True)         # 进行词频大小排序
for i in range(15):                                                    # 输出词频的前十五个
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))           # 格式换输出

二、对中文文章的分析

ps:对中文进行词频统计需要使用到第三方模块（jieba），使用第三方模块进行分裂文章中的单词；

首先导入模块

import jieba

读取文章内容

txt = open("threekingdoms.txt", "r", encoding="utf-8").read()
words = jieba.lcut(txt)                 # 注意此时生成的是一个生成器，并不是一个列表，节约内存
text = ' '.join(words)        # 把分割之后的词按照空格形式进行连接，方便制作词云

计算单词的频率

for word in words:
    if len(word) == 1:
        continue
    else:
        counts[word] = counts.get(word, 0) + 1

格式化输出词频

items = list(counts.items())                # 把字典转换为列表
items.sort(key=lambda x: x[1], reverse=True)               # 列表的词频进行排序
for i in range(15):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))                 # 格式化输出内容

制作词云图

导入模块

import numpy as np
from PIL import Image
from wordcloud import WordCloud
from matplotlib import pyplot as plt

选择背景图片

# 尽量选择一张背景颜色为白色的图片，没有杂色
image = Image.open("F:\background.jpg")      

# 使用numpy把图片转换为矩阵数组
img_array = np.array(image)

# 制作词云图
wc = WordCloud(
    background_color='white',
    mask=img_array,
    font_path='mingliub.ttc'           # 单词中存在中文时候，需要设置中文字体的路径
)
wc.generate_from_text(text)

fig = plt.figure(figsize=(10,10))          # 制作一张图片
plt.imshow(wc)
plt.axis("off")        # 不使用坐标轴

plt.show()

这样子就可以对文章进行词频统计以及制作词云图了，剩下的就是对词云图的样式进行调整了，这个简单就不介绍了。