三国人物top10分析
读取小说内容
with open('./novel/threekingdom.txt', 'r', encoding='utf-8') as f:
words = f.read()
分词
words_list = jieba.lcut(words)
每个词出现的次数
for word in words_list:
if len(word) <= 1: #如果词的长度小于等于1不计入计算
continue
else：
counts[word] = counts.get(word, 0) + 1 #词计数器，每次出现，该词+1
Python 字典(Dictionary) get() 函数返回指定键的值，如果值不在字典中返回默认值。
如下图：
词语过滤,删除无关词，重复词
excludes = {"将军", "却说", "丞相", "二人", "不可", "荆州", "不能", "如此", "商议",
"如何", "主公", "军士", "军马", "左右", "次日", "引兵", "大喜", "天下",
"东吴", "于是", "今日", "不敢", "魏兵", "陛下", "都督", "人马", "不知",
"孔明曰","玄德曰","刘备","云长"}
counts['孔明'] = counts['孔明'] + counts['孔明曰']
counts['玄德'] = counts['玄德'] + counts['玄德曰'] +counts['刘备']
counts['关公'] = counts['关公'] +counts['云长']
for word in excludes:
del counts[word]
从counts中删掉与excludes中相同的词
匿名函数
结构
lambda x1, x2....xn: 表达式
当我们在传入函数时，有些时候，不需要显式地定义函数，直接传入匿名函数更方便。
在Python中，对匿名函数提供了有限支持。还是以map()函数为例，计算f(x)=x2时，除了定义一个f(x)的函数外，还可以直接传入匿名函数：
列表推导式
列表推导式书写形式：
[表达式 for 变量 in 列表] 或者 [表达式 for 变量 in 列表 if 条件]
如：
列表解析
简单来说，列表解析（list comprehension）提供了一种优雅的生成列表的方法，能用一行代码代替十几行代码，而且不损失任何可读性。而且，性能还快很多很多
统计图
导入
from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
import numpy as np
使用100个点 绘制 [0 , 2π]正弦曲线图
.linspace 左闭右闭区间的等差数列
x = np.linspace(0, 2*np.pi, num=100)
print(x)
y = np.sin(x)
正弦和余弦在同一坐标系下
cosy = np.cos(x)
plt.plot(x, y, color='g', linestyle='--',label='sin(x)')
plt.plot(x, cosy, color='r',label='cos(x)')
plt.xlabel('时间（s）')
plt.ylabel('电压（V）')
plt.title('欢迎来到python世界')
plt.legend() # 图例
plt.show()
柱状图
import string
from random import randint
print(string.ascii_uppercase[0:6])
['A', 'B', 'C'...]
x = ['口红{}'.format(x) for x in string.ascii_uppercase[:5] ]
y = [randint(200, 500) for _ in range(5)]
print(x)
print(y)
plt.xlabel('口红品牌')
plt.ylabel('价格（元）')
plt.bar(x, y)
plt.show()
饼图
from random import randint
import string
counts = [randint(3500, 9000) for _ in range(6)]
labels = ['员工{}'.format(x) for x in string.ascii_lowercase[:6] ]
explode = [0.1,0,0, 0, 0,0] # 距离圆心点距离
colors = ['red', 'purple','blue', 'yellow','gray','green']
plt.pie(counts,explode = explode,shadow=True, labels=labels, autopct =
'%1.1f%%',colors=colors)
plt.legend(loc=2)
plt.axis('equal')
plt.show()
散点图
均值为 0 标准差为1 的正太分布数据
x = np.random.normal(0, 1, 100)
y = np.random.normal(0, 1, 100)
plt.scatter(x, y)
plt.show()
x = np.random.normal(0, 1, 1000000)
y = np.random.normal(0, 1, 1000000)
alpha透明度
plt.scatter(x, y, alpha=0.1)
plt.show()