【实战】词频统计及词云图制作
来源:互联网 发布:手机怎么开淘宝网店 编辑:程序博客网 时间:2024/05/21 03:19
写在开头
最近对词云有些兴趣,就自己瞎琢磨研究一些这方面的知识,期间也遇到一些小问题,写下此篇文章留作备注吧。
研究对象
金庸老先生的《天龙八部》
正式开始(微笑脸)
- 统计字频
(1)先统计下小说的字频数:
天龙八部总共用字量4134个,top20的字不出意外都是一些常用词,不过“一”竟然排名第二很让我意外。
# -*- coding:utf-8 -*-import rewordcount = {}stopwords=[]# stopwords = [u'好',u'一',u'的',u'了']with open('F:\\tlbb.txt','r') as files: text = files.read().decode('gb18030') text = text.strip('\n').strip('\t').strip(' ') string = re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[:“”+——!,。?、~@#¥%……&*()]+".decode("utf8"), "".decode("utf8"),text) #去除标点符号 for word in string: if word in stopwords: continue wordcount[word] = wordcount.get(word,0)+1 wordcount = sorted(wordcount.items(),key=lambda d:d[1],reverse=True) print len(wordcount) for x in xrange(20): print wordcount[x][0]+':'+str(wordcount[x][1])files.close()
*执行结果*
字数: 4134
以下是排名前20的各个子的数量统计
不:20125
一:18732
的:18565
是:16524
道:15564
了:15413
人:12627
我:11000
你:10108
这:9893
他:9794
大:9083
来:8870
之:8064
说:7123
中:7056
得:6651
在:6624
下:6465
上:6443
- 词频统计及词云图制作
从词云图中可以看出三大主角的名字还是很凸显。当然我也看到词云图中的“一个”了,想不到这个词的占比挺高的。
本来是想借助上面统计字频,做一个停用词集的。但是没有弄好,添加到stopwords参数中,完全没有效果,只能回头再研究研究。当然如果读到此处你的知道怎么回事,烦请告知,感激不尽呀!
以下是词云代码:
# -*- coding:utf-8 -*-#天龙八部分词统计import jiebafrom wordcloud import WordCloud,STOPWORDSimport matplotlib.pyplot as plts={}with open('F:\\tlbb.txt','r') as files: fid = files.read() fc = jieba.cut(fid) #用jieba分词 for words in fc: if len(words)>1: s[words] = s.get(words,0)+1 word = sorted(s.items(),key=lambda (word,count):count,reverse=True) word = dict(word[1:100]) # for x in word: # print x , wordcloud = WordCloud(font_path = 'C:/Windows/Fonts/msyh.ttf', # 设置字体格式,如不设置显示不了中文 background_color="black", # 设置背景颜色 stopwords=STOPWORDS, # 设置停用词 max_font_size=40, # 设置字体最大值 random_state=30, # 设置有多少种随机生成状态,即有多少种配色方案 relative_scaling=.5 ).fit_words(word) #word为字典格式 plt.figure() plt.imshow(wordcloud) plt.axis("off") plt.show()files.close()
问题总结
- WordCloud().fit_words(word) 中的这个word是传入的是字典,之前一直传入错误,看了源码才恍然大悟
- 词云图中停用词的添加失败
参考
- Python word_cloud 样例 标签云系列(三)
http://www.cnblogs.com/Yiutto/p/5998417.html - Python之天龙八部词云生成分析
http://blog.csdn.net/u013473520/article/details/51764334
最后希望对看到此处的你有所帮助【微笑】
0 0
- 【实战】词频统计及词云图制作
- Python生成词云图,TIIDF方法文本挖掘: 词频统计,词云图
- 基于Python和R语言的分词/词频统计/词云图
- R实战:【统计分析】词频统计
- wordcloud词云分析及词频统计绘图
- R语言文本分词以,词频统计,云图显示的简洁方法
- 云图制作
- 词频统计及tf*idf应用
- hadoop中文分词、词频统计及排序
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- 词频统计
- TabWidget 添加多个tab
- ZOJ2966-Build The Electric System
- linux命令useradd添加用户详解
- ARM开发各种烧写文件格式说明(ELF、HEX、BIN)
- 调整数组顺序使奇数位于偶数前面
- 【实战】词频统计及词云图制作
- ZOJ2970-Faster, Higher, Stronger
- 机器学习三种数据集的作用
- 进程和线程的区别
- HDU1166敌兵布阵 简单线段树
- 理解Java的三大特性之封装
- KBEngine服务器demo中的AI(人工智能)
- 学好数据库,看这9本书就够了
- HDU1754 I Hate It 简单线段树