【文本挖掘】——词频统计、词云绘制与美化+[微微一笑很倾城]实战

这里主要是介绍了词频统计和词云，至于分词，如果您有什么困惑可以参考我的上一篇 【文本挖掘】——中文分词哦~

一、词频统计：

1.基本概念及原理

  这一步是在做完分词之后进行的，所以以下所有步骤都基于分词后构建的词条的list进行。说白了他就是统计每个词在文中出现过多少次，主要目的是为找出频次高的”关键词“打基础。

词频统计的伪代码：

2.词频统计方法

①基于pandas的词频统计：

  输出结果为一个序列，该序列每一行的标签就是进行统计的词，数值就是其频数。

#使用pandas进行词频统计
word_list=['july','可爱','傻fufu','聪明','好可爱','精致','猪猪女孩','猪猪女孩','聪明','聪明']
df=pd.DataFrame(word_list,columns=['word'])
result=df.groupby(['word']).size()
freqlist=result.sort_values(ascending=False)
freqlist[:30]
>>word
  聪明       3
  猪猪女孩   2
  精致       1
  好可爱     1
  可爱       1
  傻fufu     1
  july       1
  dtype: int64

②基于nltk进行词频统计：

  其输出结果为频数字典,这就很方便，也很适合后边词云时候用。

#使用NLTK进行词频统计
import nltk
word_list=['july','可爱','傻fufu','聪明','好可爱','精致','猪猪女孩','猪猪女孩','聪明','聪明']
fdlist=nltk.FreqDist(word_list)

print("聪明的词频：",fdlist['聪明'])#查看某个词的频数
print("词条列表：",fdlist.keys())#列出词条列表
print("前五个高频词及其频次为：",fdlist.most_common(5))#输出前五个高频词及其频次
fdlist#输出全部词频统计结果
#fdlist.tabulate(5)#输出前五个高频词，以列表形式输出
>>聪明的词频： 3
  词条列表： dict_keys(['july', '可爱', '傻fufu', '聪明', '好可爱', '精致', '猪猪女孩'])
  前五个高频词及其频次为： [('聪明', 3), ('猪猪女孩', 2), ('july', 1), ('可爱', 1), ('傻fufu', 1)]
  FreqDist({
     '聪明': 3, '猪猪女孩': 2, 'july': 1, '可爱': 1, '傻fufu': 1, '好可爱': 1, '精致': 1})

二、词云

  将分词结果频数表可视化。对文本中出现频率较高的“关键词”予以视觉上的突出，从而过滤掉大量的文本信息，使读者可以直观领略文本的主旨。

1.词云绘制工具：

  主流工具有：Python、R、Tableaus、WordArt.com、Tagxedo.com
  R可以展示不同类别间的词云比较和彩色动态效果（这点python做不到，突然感叹R的强大ww）
  Tableaus可以实现词云结果的动态监测和展示（这个软件真的超好用，关键是不用写代码，直接拖拽就行，不要太方便~）
  WordArt.com、Tagxedo.com是不用下载，不用代码的，直接网页上就可以做，很方便

2.python词云绘制——Wordcloud

①Wordcloud包的安装：

  看人品！没错！看人品！所以，pip之前请先扶老奶奶过马路~
  很幸运，一下成功，炫耀一下啦，是赤裸裸的炫耀无疑了（捂脸）

  你以为successfully你就成功了？太单纯了孩子，赶紧去测试一下吧！Hhh我还真成功了~

  这真的是一件很佛的事情，如果你没有一下成功，不要悲伤，请自行百度解决吧，预祝早日成功（手动狗头）

②Wordcloud用法：

  首先这是一个类Class。
① 设定字体:大小：min_font_size=1/max_ font_size=None有最小值，上不封顶
     字号增加步长：font_step=1
      词条频数比例和字号大小比例的换算关系：relative_scaling=0.5默认50%
     词条水平显示的比例：Prefer_horizontal=0.9默认90%是水平的，太多竖着的 不方便看
② 设定颜色：图形背景色：background_color=’black’
      图形颜色编码：Mode=’RGB’/’RGBA’
调色板：color_func=None这是一个可以生成新颜色的函数，让词云更美观
③ 背景掩模：词云使用的背景图：mask=None
***Text有格式要求：必须用空格或标点符号分割每个词

举个小栗子：

import wordcloud
font='C:/Windows/Fonts/simhei.ttf'#默认不支持中文，这里要从自己电脑上找到喜欢的字体
text='july,可爱,傻fufu,聪明,好可爱,精致,猪猪女孩'
mycloud=wordcloud.WordCloud(font_path=font).generate(text)
print(mycloud)
>><wordcloud.wordcloud.WordCloud object at 0x000001F7F063AE20>

诶？发现词云并没有出来啊，不要急，还有一步可视化：

import matplotlib.pyplot as plt
plt.imshow(mycloud)
plt.axis("off")#隐藏坐标轴，不然巨丑
plt.show()

结果如下：

这个图片乌漆嘛黑的好丑，作为颜狗，我需要给它美化一下：

#更改参数，让它更好看呀
mycloud=wordcloud.WordCloud(font_path=font,width=150,height=150,mode='RGBA',background_color=None).generate(text)
plt.imshow(mycloud)
plt.axis("off")#隐藏坐标轴，不然巨丑
plt.show()

 

  en~这样顺眼多了。

接下来将词云保存成图片：

mycloud.to_file("猪猪词云.png")

  这里如果前边用的mode='RGBA‘保存图片时，图片格式要用png，如果mode='RGB‘那就jpg和png都可以。

三、基于分词频数绘制词云

  其内部原理为：调用分词函数process_text()和基于频数的绘制函数fit_words(dict),其中dict是一个包括词条和其频数的字典。

1.利用词频绘制词云

话不多说，直接干代码：

#基于分词频数的词云
txt_freq={
     '小可爱':10,'菜鸟':5,'聪明':20,'精致':30,'猪猪女孩':40,'傻fufu':38,'july':29}
mycloud=wordcloud.WordCloud(font_path=font).fit_words(txt_freq)
plt.imshow(mycloud)
plt.axis("off")
plt.show()

 

2.美化词云

  毕竟谁都喜欢美女，那今天给词云也打扮一下，让它美美哒~前面提到过的mask派上用场啦！

①自定义词云形状
  Mask是用于控制词云的整体形状的，可以让它不只是一个长方形。指定mark后就不需要设定图片的宽度和高度，遮罩形状会被我们所选的形状掩盖。

#设定词云形状
from imageio import imread
mask=imread('D:/zwz/wwxn.png')#这里是一个自己想要的形状的图片
mycloud=wordcloud.WordCloud(font_path=font,mode='RGBA',background_color=None).fit_words(txt_freq)
plt.imshow(mycloud)
plt.axis("off")
plt.show()

 

  这里词太少了，不太能显出形状，但可以看出他不是一个长方形啦。

  两点要注意：①选择图形的时候要避免细长的，因为太细太窄的地方，可能词条宽度没有那么小，就会失去控制，做不出来想要的现状。②要用白底没有背景的图片

②自定义图片色系

步骤：读取指定图片的色系设定
   获取图片颜色
   重置词云颜色

#指定图片色系
import numpy as np
imgo=imread("D:/zwz/wwxn.png")#这里是一个自己想要的颜色的图片
image_color=wordcloud.ImageColorGenerator(np.array(imgo))
mycloud.recolor(color_func=image_color)
plt.imshow(mycloud)
plt.axis("off")#隐藏坐标轴，不然巨丑
plt.show()

  

  后边还有<微微一笑很倾城>的实战哦~ 今天太累了，明天再搞，晚安 To 陌生人

四、实战篇——《微微一笑很倾城》

1.语料库准备

  这篇小说《微微一笑很倾城》可以点击该链接直接下载txt版，然后将其导入进来：

import jieba
import pandas as pd
ww=pd.read_table('D:/zwz/ww.txt',names=['txt'],sep='aaa',encoding='utf_8')
print(len(ww))
ww

其导入结果为一个4821行一列的Dataframe:

  如果我们只想分析其中的某一章或某几章，可以通过下面的章节标识进行：分析该文章发现，每一章的开头是“1.第一章xxx、2.第二章xxx…"因此要进行章节识别，只需要找到符合该开头的位置即可。在这里ww[‘head’]用来识别一句话开头的第三个字符，在第一到第九章时，第三个字符均为”第“，在第十到最后一章，第三个字符均为”.“。ww[‘mid’]用来查找字符”章“，ww[‘len’]在后文用来限制查找的一句话的长度：

#加入章节标识
def m_head(tmpstr):
    return tmpstr[2:3]
def m_mid(tmpstr):
    return tmpstr.find("章 ")
ww['head']=ww.txt.apply(m_head)
ww['mid']=ww.txt.apply(m_mid)
ww['len']=ww.txt.apply(len)
ww.head(30)

  返回一个包含每一行文本以及其开头字符、中间字符和字符长度的Dataframe:

  接下来就可以提取想要的章节了：首先要找到一章的开头，是靠这句实现的："第"and ww[‘mid’][i]>0 and ww[‘len’][i]<30 or ww[‘head’][i]"." >。在这里我只想要正文，不要后记和番外，因此筛选条件为：if chapnum>=50 and ww[‘txt’][i]==“50.番外一 A大美女排行榜”。

chapnum=0
for i in range(len(ww)):
    if ww['head'][i]=="第"and ww['mid'][i]>0 and ww['len'][i]<30 or ww['head'][i]=="." :
        chapnum+=1
    if chapnum>=50 and ww['txt'][i]=="50.番外一 A大美女排行榜":
        chapnum=0
    ww.loc[i,'chap']=chapnum
del ww['head']
del ww['mid']
del ww['len']
#提取所需章节
ww[ww.chap==49]

  这样我就可以随心所欲提取任何一章啦~
  下面我要进行分词、词频统计等处理，需要将提取的章节放进一个list,这里放进了chapter.txt[1]：

wwgrp=ww.groupby('chap')
chapter=wwgrp.agg(sum)
chapter=chapter[chapter.index!=0]
chapter.txt[1]
len(chapter)
>>49

2.分词

  首先从搜狗细胞词库下载《微微一笑很倾城》的词典。在分词中，词典和停用库的修改是一个比较重要的点，需要根据结果和对原文的理解不断完善：

#分词
import pandas as pd 
#词典
dict='D:/zwz/cikuww.txt'
jieba.load_userdict(dict)
#停用词
tyc=pd.read_csv('D:/zwz/停用词.txt',names=['w'],sep="aaa",encoding='utf-8')
word_list=[w for w in jieba.cut(chapter.txt[1]) if w not in list(tyc.w)]
print(len(word_list))
word_list

  在这里我总共是分出来790个词，但我还有一个问题没有解决：怎么在停用库里添加空格呢？这里分词结果里还有空格想要去除，但没有实现，如果有大佬看到了，麻烦指教，不胜感激~

3.词频统计

  我后面要做词云，将词频统计结果输出为字典会很方便，所以就用NLTK啦：

#使用NLTK进行词频统计
import nltk
fdlist=nltk.FreqDist(word_list)
fdlist['微微']#查看某个词的频数
fdlist.keys()#列出词条列表
fdlist.tabulate(5)#输出前五个高频词，以列表形式输出
fdlist.most_common(5)#输出前五个高频词及其频次
>>微微 林教授  名字  游戏     
 45  16  14   9   6 
 [('微微', 45),
  ('林教授', 16),
  ('名字', 14),
  ('游戏', 9),
  (' ', 6)]

3.词云绘制及美化

  跟前面一样的就不多叨叨了：

mycloud=wordcloud.WordCloud(font_path=font,width=1080,height=1080,mode='RGBA',background_color=None).fit_words(fdlist)
plt.imshow(mycloud)
plt.axis("off")#隐藏坐标轴，不然巨丑
plt.show()

  呐~就是这样啦：

  我想把它做成微微和肖奈合照形状的：（这里还没有抠图，形状显示不出来…后面有时间了再更改吧）

#设定微微和大神形状和颜色
from imageio import imread
mask=imread('D:/zwz/wwxn.png')
mycloud=wordcloud.WordCloud(font_path=font,mode='RGBA',background_color=None).fit_words(fdlist)
image_color=wordcloud.ImageColorGenerator(np.array(imgo))
mycloud.recolor(color_func=image_color)
plt.imshow(mycloud)
plt.axis("off")#隐藏坐标轴，不然巨丑
plt.show()

  效果图就是这个样子了：

   _{好啰嗦搞了这么长一篇，虽然很简单，但还是比较有成就感嘻嘻**。如果您看到了这里，麻烦指教我里边关于去掉空格停用词的困惑呢，欢迎指出其他问题，我们一起学习一起进步鸭！（当然也希望您能点个小赞支持一下）感谢}~