【实战】词频统计及词云图制作

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 re

wordcount = {}
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 jieba
from wordcloud import WordCloud,STOPWORDS
import matplotlib.pyplot as plt

s={}
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 =
9155
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】