python词频统计 生成词云

博客简介

本篇博客介绍2个第三方库，中文分词库jieba和词云库WordCloud，我们将完成三个例子：

• 统计英文词汇频率
• 统计中文文本词汇频率使用jieba库
• 生成词云

在正式开始之前，我们先安装两个第三方库：中文分词库jieba和词云库WordCloud

统计英文词汇频率

英文词汇统计十分简单，因为每个单词之间都是用空格分开的的，当然也有一些特殊模号，我们将对整个文本进行噪音处理，然后将其分割成单词，存入字典中，再给词汇按照频率排序，步骤如下：

• 从文件流 中读取一段全英文文本
• 将文本用lower()归一化成小写形式
• 将文本中的特殊符号：;<>"~!@#$%^&*()-+[]|{}/*.,?过滤，替换成空格for ch in ';<>"~!@#$%^&*()-+[]|{}/*.,?':replace
• 将文本split，划分成单个单词，返回一个列表
• 遍历这个列表，按照单词=>出现次存入字典中：counts[x]=counts.get(x,0)+1
• 使用items()返回一个列表，给列表排序
• 格式化输出这个列表
• 代码如下：

#coding=gbk
def getText(fileName):
	f=open(fileName,'r')
	txt=f.read().lower()
	for ch in ';<>"~!@#$%^&*()-+[]|{}/*.,?':
		txt=txt.replace(ch,' ')
	f.close()
	return txt
	
def comp(x):
	return x[1]
	
def main():
	
	txt=getText('English.txt')
	words=txt.split()
	counts={}
	for x in words:
		counts[x]=counts.get(x,0)+1
	items=list(counts.items())
	items.sort(key=comp,reverse=True)

	for i in range(10):
		key,value = items[i]
		print("{0:<10} {1:>5}".format(key,value))
main()

• 读入文件：
  
• 输出结果：

you           32
to            19
the           10
who           10
those          9
have           8
and            8
that           6
want           6
make           6

统计中文词汇频率

中文语句和英文不一样，中文词汇之间没有空格而是连续的字段，如何对一段文本进行分词处理呢？我们可以安装第三方库jeiba，它使用中文词库的方式来识别词汇：依靠中文词库计算出某个词汇的概率，从而确定某段文字是不是词汇，我们只需要在cmd中打开script目录，输入pip install jieba即可完成安装，常用函数如下：

函数	描述	举例
jieba.lcut(s)	精确模式，把文本精确地切分开，不存在冗余，返回一个列表类型的分词结果	jieba.lcut('中国是一个伟大的国家')
jieba.lcut(s,cut_all=True)	全模式，把文本中所有可能的词汇都扫描出来，存在冗余，返回一个列表类型的分词结果	jieba.lcut('中国是一个伟大的国家',cut_all=True)
jieba.lcut_for_search(s)	搜索引擎模式，在精确模式的基础上对长词进行切分，返回一个列表类型的分词结果	jieba.lcut_for_search('中国是一个伟大的国家')
jieba.add_word(s)	将新词汇添加到词库中	jieba.add_word(‘我爱python’)

• 举例：

#coding=gbk
import jieba
def main():
	print(jieba.lcut('中国是一个十分美丽的国家'))
	print(jieba.lcut('中国是一个十分美丽的国家',cut_all=True))
	print(jieba.lcut_for_search('中国是一个十分美丽的国家'))
main()
'''
['中国', '是', '一个', '十分', '美丽', '的', '国家']
['中国', '国是', '一个', '一个十', '十分', '美丽', '的', '国家']
['中国', '是', '一个', '十分', '美丽', '的', '国家']
'''

说完jieba库，我们要开始统计词频了，如何统计？步骤和统计英文相似，不过有了jieba的加持，这变得更为简单：

• 从文件流 中读取一段全中文文本
• 直接使用jieba.lcut(txt)将文本切分，返回一个列表
• 当然这个列表中包含了字符，我们可以直接在遍历过程中不统计len=1的字符
• 遍历这个列表，按照单词=>出现次存入字典中：counts[x]=counts.get(x,0)+1
• 使用items()返回一个列表，给列表排序
• 格式化输出这个列表
• 代码如下：

#coding=utf-8
import jieba
def getText(fileName):
	f=open(fileName,'r',encoding='utf-8')
	txt=f.read()
	f.close()
	return txt
	
def comp(x):
	return x[1]
	
def main():
	txt=getText('Chinese.txt')
	words=jieba.lcut(txt)
	counts={}
	for x in words:
		if len(x)==1:
			continue
		else:
			counts[x]=counts.get(x,0)+1
	items=list(counts.items())
	items.sort(key=comp,reverse=True)

	for i in range(10):
		key,value = items[i]
		print("{0:<10} {1:>5}".format(key,value))
main()

• 文本读入
  
• 统计结果：

'''
可以             9
藏不住            4
如果             3
一天             3
我们             3
一个             3
男人             3
每个             3
那里             3
不怪             3
'''

生成词云

生成词云我们是用的是wordcloud库，这个库可以将给定的一段文本按照空格镜像区分，按照频率显示在一张图片上，频率越高，字体越大，函数以及参数如下：

• 生成词云对象：wordcloud.WordCloud([width][,height][,min_font_size],[,max_font_size][,font_path][,max_words][,stop_words][,mask])
• 参数属性：

函数	描述	举例
width	词云对象的宽度，默认400	w=wordcloud.WorldCloud(width=800)
height	词云对象的高度，默认600	w=wordcloud.WorldCloud(height=800)
min_font_size	指定词云中字体的最小号，默认为4号	w=wordcloud.WorldCloud(min_font_size=10)
max_font_size	指定词云字体的最大号，默认根据高度自动调节	w=wordcloud.WorldCloud(max_font_size=20)
font_step	指定词云中字体字号的步进间隔，默认为1	w=wordcloud.WorldCloud(font_step=2)
font_path	指定字体文件的路径，默认为None	w=wordcloud.WorldCloud(font_path='msyh.ttc')
max_words	指定词云中的最大显示单词数量,默认200	w=wordcloud.WorldCloud(max_words=100)
stop_words	指定词云中的排除词列表，列表中的词汇将不会出现在词云中	w=wordcloud.WorldCloud(stop_words={"python"})
mask	指定词云形状，默认为长方形，需要引用imread()函数	>>> from scipy.misc import imread >>> mk=imread('pic.png') >>>w=wordcloud.WordCloud(mask=mk)
background_color	指定词云图片的背景颜色，默认为黑色	w=wordcloud.WorldCloud(background_color='white')

• 将文本加载到词云对象：w.generate(txt)
• 将词云对象导出成文件： w.to_file(fileName)
• wordcloud根据空格来区分单词，并且会自动过滤符号
• 代码如下：（根据QQ消息记录，过滤掉头衔和@后生成词云）

#coding=gbk
#coding=utf-8
import wordcloud
import jieba
def getText(fileName):
	f=open(fileName,'r',encoding='gbk')
	txt=''
	for line in f:
		if ('【' in line) or ('】' in line) or ('@' in line):continue
		else:txt+=line
	f.close()
	txt=' '.join(jieba.lcut(txt))
	return txt
def main():
	txt=getText('test.txt')
	w=wordcloud.WordCloud(font_path='msyh.ttc',width=800,height=600,max_words=40,font_step=3)
	w.generate(txt)
	w.to_file('wordcloud3.png')
	print('make wordCloud successfully!')
main()

• 复制好友的消息记录
  
• 展示效果：