【Python】—— 文本分析

相关知识

      当涉及到文本数据处理和可视化的任务时，我们可以通过了解下面的知识和使用Python的一些主要库和工具来完成这些任务。

1. 文本数据处理

      包括读取文本文件、对文本进行分词、去除停用词等基本文本处理步骤。

• 读取文本文件：
• 在Python中，我们使用open函数打开文件，指定文件名、打开模式（这里是’r’表示读取）、以及字符编码（通常是’utf-8’）。

with open('filename.txt', 'r', encoding='utf-8') as file:
    text_data = file.read()

• 分词和去除停用词：
• 使用Natural Language Toolkit（NLTK）库进行分词和去除停用词。分词是将文本拆分成单词的过程，而停用词是指那些在文本中频繁出现但没有实际含义的词汇，可以通过NLTK提供的停用词列表进行去除。

from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize

stop_words = set(stopwords.words('english'))

words = word_tokenize(text_data)
filtered_words = [word.lower() for word in words if word.isalpha() and word.lower() not in stop_words]

2. 文本可视化

      通过词云制作实现文本数据的可视化呈现。

• 使用wordcloud生成词云图：
• WordCloud是一个用于生成词云图的库，它根据文本中单词的频率生成具有可视化效果的图形。在示例代码中，我们通过WordCloud生成词云图，并使用matplotlib展示。

from wordcloud import WordCloud
import matplotlib.pyplot as plt

wordcloud = WordCloud().generate(' '.join(filtered_words))

plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()

---

使用 wordcloud 库生成词云图的过程主要分为以下几个步骤：

1. 安装 wordcloud 库：
         在命令行或终端中运行以下命令安装 wordcloud：

   pip install wordcloud
   

2. 导入库：

   from wordcloud import WordCloud
   import matplotlib.pyplot as plt
   

3. 准备文本数据：
         获取需要生成词云的文本数据，确保文本数据是字符串形式。

4. 创建 WordCloud 对象并生成词云：

   wordcloud = WordCloud(width=800, height=400, background_color='white').generate(text_data)
   

         在这里，我们创建了一个 WordCloud 对象，指定了词云的宽度、高度和背景颜色。可以根据需要调整其他参数，比如字体、最大词汇量等。

5. 可选步骤 - 自定义词云形状：
         如果你想要词云的形状为特定图形，可以使用自定义形状的图片。首先，你需要准备一张形状的图片，然后使用 WordCloud 的 mask 参数指定该图片。

   from wordcloud import WordCloud, STOPWORDS, ImageColorGenerator
   from PIL import Image
   
   # 读取形状图片
   mask = np.array(Image.open("your_shape_image.png"))
   
   # 使用形状图片生成词云
   wordcloud = WordCloud(mask=mask, background_color="white").generate(text_data)
   

6. 显示或保存词云图：

   plt.imshow(wordcloud, interpolation='bilinear')
   plt.axis("off")
   
   # 显示词云图
   plt.show()
   
   # 或保存词云图
   wordcloud.to_file("wordcloud_output.png")
   

         使用 plt.show() 可以在运行脚本时显示词云图，而 to_file 方法可以保存词云图为图片文件。
         总体来说，使用 wordcloud 库生成词云图是一个相对简单的过程，主要涉及创建 WordCloud 对象并调整相关参数，然后通过 imshow 方法显示或通过 to_file 方法保存生成的词云图。

---

3. Python编程

      可看Python专栏
      要求通过Python实现上述功能，因此需要熟悉Python编程语言及其相关库和模块。

4. 词频统计

      对文本中各个词汇的出现频率进行统计分析。

• 使用Counter进行词频统计：
• Counter是Python的一个内置库，用于统计可哈希对象的出现次数。在这里，我们使用Counter来统计文本中单词的出现频率。

from collections import Counter
word_freq = Counter(filtered_words)

5. 人名提取

      从文本中提取人物名称，这可能需要使用一些自然语言处理（NLP）的技术或者规则来实现。

• 使用spaCy进行实体识别：
• spaCy是一个自然语言处理库，它提供了实体识别功能，可以用于从文本中提取人名等实体。在示例代码中，我们加载了英文的spaCy模型，并使用它来获取文本中的人物名称。

import spacy

nlp = spacy.load('en_core_web_sm')
doc = nlp(text_data)

person_names = [ent.text for ent in doc.ents if ent.label_ == 'PERSON']

6. 自然段划分

      将文本划分成自然段，可能涉及到对文本的分段或分句处理。

• 使用正则表达式进行自然段划分：
• 正则表达式是一种强大的文本匹配工具，可以根据特定的模式来划分文本。在这里，我们使用\n\n来划分自然段，表示两个换行符之间的文本。

import re

paragraphs = re.split('\n\n', text_data)

7. 人物出现频率分布分析

      分析文本中人物出现的频率分布情况，可以通过统计每个人物在文本中出现的次数来实现。

• 统计人物出现频率：
• 通过使用Counter，我们可以轻松地统计从文本中提取的人物名称的出现频率，从而进行人物出现频率分布分析。

character_freq = Counter(person_names)

8. 词云生成

      使用wordcloud模块生成词云图，这需要将词频等信息传递给词云模块，并对生成的图像进行一定的定制。
综合来看，这涉及到文本处理、数据统计、可视化和一定的自然语言处理方面的知识和技能。

• 定制词云图：
• 在生成词云图时，可以通过调整WordCloud的参数来定制图形的外观，包括图像的大小、背景颜色等。示例代码中展示了如何设置词云的宽度、高度和背景颜色。

wordcloud = WordCloud(width=800, height=400, background_color='white').generate_from_frequencies(word_freq)

plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()

实验内容

数据下载地址

       文本分析所用小说（数据）

1.对纯英文小说进行分析。

主要步骤如下：
      下载一篇纯英文小说，保存为txt文档。
      打开小说文件，通过对字符串的处理（注意统计中要去掉各种标点符号，除英文以外的内容。），统计小说中所有英文单词的使用频次，结果保存在一个字典中。
      对字典中的数据进行排序，按照使用频次从高到低进行排序，并把统计结果写到一个文本文件中。
      把单词的使用频次的信息用词云的方式显示出来。

小说文件截图（处理小说源文件）：

代码截图：


运行结果（词云）：

生成词典并排序截图：

2.对中文小说进行分析。

      对于中文小说的词频统计、人名提取、自然段划分和人物出现频率分布分析，并利用wordcloud模块生成词云图。

主要步骤如下：
      下载一篇中文小说，字数在十万字以上。使用中文分词库进行分词。统计使用最多的人名和中文词汇并输出。
      列出小说中的主要人物，包括主人公，以及另外相关人物5人或以上。
      把小说分段，分析出小说一共有多少自然段。并统计出上面列出的人物共在多少个自然段中出现。并用某种输出模式体现出这种分布情况，例如在第一段出现，输出一个字符，在第二段没有出现，输出一个空格。可以直观的看出人物出现的位置和频率。
      分析主人公以及其他相关人物之间的亲密度，两个人在同一个自然段同时出现亲密度加1，最后得到统计结果。
      把词频的统计结果用词云的方式显示出来。

小说原文件截图(处理小说源文件）：

代码截图：


运行结果（词云）：

段落数截图：

细节：
人物出现频率截图
主角（阿龙纳斯）：

配角1（康赛尔）：

配角2（尼德•兰）：

配角3（尼摩船长）：

配角4（何伯逊敬启）：

配角5（教授）：

亲密度：

问题与解决

操作异常：在使用中文分词库jieba时，可能会遇到编码问题，导致分词不准确。
解决方案：在打开和处理文件时，使用正确的编码格式进行操作。可以尝试使用UTF-8编码，因为它在处理中文文本时通常表现良好。

操作异常：在使用wordcloud模块时，可能由于依赖 matplotlib 和 NumPy 的安装问题而导致出现ImportError。

解决方案：可以尝试重新安装matplotlib和numpy模块，或者在虚拟环境中安装这些模块，以解决依赖库安装问题。

异常问题：处理中文小说时候，因为没有安装Python和jieba分词库代码无法运行。
解决方案：使用以下命令安装jieba：pip install jieba

异常问题：在处理英文小说时，代码中使用了nltk库和wordcloud库，但是用户没有提前安装这两个库，导致代码运行时报错。
解决方案：用户在运行代码前应该使用以下命令安装所需的库：pip install nltk和pip install wordcloud

操作异常：因为没有设置中文字体路径词云图无法读出中文。
解决方案：下载该文件并加入代码font_path = 'zitiaozichangyinghedianshan.ttf # 设置中文字体路径

附录

1.对纯英文小说进行分析。

#英文小说单词使用频次统计和词云制作：
# 导入需要的库
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import string

# 读取小说文件
with open('H:/其他/小说/after twenty years.txt', 'r' ,encoding='utf-8') as f:
    novel = f.read()

# 去除标点符号和数字
translator = str.maketrans('', '', string.punctuation + string.digits)
novel = novel.translate(translator)

# 将小说中的单词转换为小写，并按照空格分割成列表
words = novel.lower().split()

# 统计单词出现频次
word_freq = {}
for word in words:
    if word in word_freq:
        word_freq[word] += 1
    else:
        word_freq[word] = 1

# 按照单词出现频次从高到低排序
sorted_word_freq = sorted(word_freq.items(), key=lambda x: x[1], reverse=True)

# 将排序结果写入文件
with open('H:/其他/小说/word_after twenty years.txt', 'w' ,encoding='utf-8') as f:
    for word, freq in sorted_word_freq:
        f.write(f'{word}: {freq}\n')

# 生成词云
wordcloud = WordCloud(width=800, height=800, background_color='white').generate_from_frequencies(word_freq)
plt.figure(figsize=(8, 8), facecolor=None)
plt.imshow(wordcloud)
plt.axis('off')
plt.tight_layout(pad=0)
plt.show()

2.对中文小说进行分析。

from wordcloud import WordCloud
import jieba
from collections import Counter
import matplotlib.pyplot as plt

# 设置中文字体路径
font_path = 'zitiaozichangyinghedianshan.ttf'

# 读取中文小说文件
with open('H:/其他/小说/海底两万里.txt', 'r', encoding='utf-8') as file:
    chinese_novel_text = file.read()

# 中文分词
seg_list = jieba.lcut(chinese_novel_text)

# 统计词频
word_counts = Counter(seg_list)

# 将词频字典转换为单个字符串
wordcloud_text = ' '.join(seg_list)

# 生成词云
wordcloud = WordCloud(width=800, height=400, background_color='white', font_path=font_path).generate(wordcloud_text)

# 显示词云图像
plt.figure(figsize=(10, 5))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()

# 填入小说中的主要人物，包括主人公和其他相关人物5人或以上
main_characters = ["阿龙纳斯", "康赛尔", "尼德•兰", "尼摩船长", "何伯逊敬启", "教授"]

# 分析小说自然段
paragraphs = chinese_novel_text.split('\n')
print("小说一共有{}自然段。".format(len(paragraphs)))

# 列出主要人物在每个自然段的出现情况
character_occurrence = {char: [0] * len(paragraphs) for char in main_characters}
for i, paragraph in enumerate(paragraphs):
    for char in main_characters:
        if char in paragraph:
            character_occurrence[char][i] = 1

# 输出人物在自然段中的出现情况
for char in main_characters:
    print("{}在各自然段的出现情况：".format(char), character_occurrence[char])

# 统计主要人物之间的亲密度
intimacy_matrix = [[0] * len(main_characters) for _ in range(len(main_characters))]
for i in range(len(main_characters)):
    for j in range(i + 1, len(main_characters)):
        for k in range(len(paragraphs)):
            if character_occurrence[main_characters[i]][k] and character_occurrence[main_characters[j]][k]:
                intimacy_matrix[i][j] += 1

# 输出亲密度矩阵
print("人物亲密度矩阵：")
for row in intimacy_matrix:
    print(row)