python中文文本分词_Python中文文本分词、词频统计、词云绘制

本文主要从中文文本分词、词频统计、词云绘制方面介绍Python中文文本分词的使用。会使用到的中文文本处理包包括：wordcloud,jieba，re(正则表达式),collections。

1 准备工作

导入相关的包，读取相关数据。

#导入包

import pandas as pd #数据处理包

import numpy as np #数据处理包

from wordcloud import WordCloud #绘制词云

import jieba #中文分词包

import jieba.posseg as pseg

import re #正则表达式，可用于匹配中文文本

import collections #计算词频

#读取数据，使用pandas读取csv

df_question = pd.read_csv("D:/data/raw_data_20200401_copy/question.csv",low_memory=False)

#选择问题描述部分

df_description = df_question["description"].drop_duplicates().reset_index() #去除重复问题

list_description = df_description["description"].tolist()

description_all = "start"

for i in range(999): #选定一定范围作为示范，全部处理实在太多了

description_all = description_all+list_description[i]

#选取中文：使用正则表达式

filter_pattern = re.compile('[^\u4E00-\u9FD5]+')

chinese_only = filter_pattern.sub('', description_all)

2 中文分词

#中文分词

words_list = pseg.cut(chinese_only)

#删除停用词

stopwords1 = [line.rstrip() for line in open('D:/data/BI/stop_words/中文停用词库.txt', 'r', encoding='utf-8')]

stopwords2 = [line.rstrip() for line in open('D:/data/BI/stop_words/哈工大停用词表.txt', 'r', encoding='utf-8')]

stopwords3 = [line.rstrip() for line in open('D:/data/BI/stop_words/四川大学机器智能实验室停用词库.txt', 'r',encoding='utf-8')]

stopwords = stopwords1 + stopwords2 + stopwords3

meaninful_words = []

for word, flag in words_list:

if word not in stopwords:

meaninful_words.append(word)

3 计算词频

绘制词频并查看词频排在前30的词。

#计算词频，一行解决

word_counts = collections.Counter(meaninful_words) # 对分词做词频统计

word_counts_top30 = word_counts.most_common(30) # 获取前30最高频的词

print (word_counts_top30)

4 绘制词云

#绘制词云

wc = WordCloud(background_color = "black",max_words = 300,font_path='C:/Windows/Fonts/simkai.ttf',min_font_size = 15,max_font_size = 50,width = 600,height = 600)

wc.generate_from_frequencies(word_counts)

wc.to_file("wordcoud.png")

看一下结果，因为数据来源于某医患交互平台，分析的是患者关注的问题都有哪些，所以结果如下图。可以看到大家在关注什么问题，一般哪些问题在线上被问到的比较多。。。可能数据不全，仅做示范hhh。

好啦，是不是很简单，有问题可以私我