本篇博客介绍2个第三方库，中文分词库jieba和词云库WordCloud，我们将完成三个例子：

统计英文词汇频率

统计中文文本词汇频率使用jieba库

生成词云

在正式开始之前，我们先安装两个第三方库：中文分词库jieba和词云库WordCloud

统计英文词汇频率

英文词汇统计十分简单，因为每个单词之间都是用空格分开的的，当然也有一些特殊模号，我们将对整个文本进行噪音处理，然后将其分割成单词，存入字典中，再给词汇按照频率排序，步骤如下：

从文件流 中读取一段全英文文本

将文本用lower()归一化成小写形式

将文本中的特殊符号：;<>"~!@#$%^&*()-+[]|{}/*.,?过滤，替换成空格for ch in ';<>"~!@#$%^&*()-+[]|{}/*.,?':replace

将文本split，划分成单个单词，返回一个列表

遍历这个列表，按照单词=>出现次存入字典中：counts[x]=counts.get(x,0)+1

使用items()返回一个列表，给列表排序

格式化输出这个列表

代码如下：

#coding=gbk

def getText(fileName):

f=open(fileName,'r')

txt=f.read().lower()

for ch in ';<>"~!@#$%^&*()-+[]|{}/*.,?':

txt=txt.replace(ch,' ')

f.close()

return txt

def comp(x):

return x[1]

def main():

txt=getText('English.txt')

words=txt.split()

counts={}

for x in words:

counts[x]=counts.get(x,0)+1

items=list(counts.items())

items.sort(key=comp,reverse=True)

for i in range(10):

key,value = items[i]

print("{0:<10} {1:>5}".format(key,value))

main()

读入文件：

输出结果：

you 32

to 19

the 10

who 10

those 9

have 8

and 8

that 6

want 6

make 6

统计中文词汇频率

中文语句和英文不一样，中文词汇之间没有空格而是连续的字段，如何对一段文本进行分词处理呢?我们可以安装第三方库jeiba，它使用中文词库的方式来识别词汇：依靠中文词库计算出某个词汇的概率，从而确定某段文字是不是词汇，我们只需要在cmd中打开script目录，输入pip install jieba即可完成安装，常用函数如下：

函数　　描述　　举例

jieba.lcut(s)　　精确模式，把文本精确地切分开，不存在冗余，返回一个列表类型的分词结果　　jieba.lcut('中国是一个伟大的国家')

jieba.lcut(s,cut_all=True)　　全模式，把文本中所有可能的词汇都扫描出来，存在冗余，返回一个列表类型的分词结果　　jieba.lcut('中国是一个伟大的国家',cut_all=True)

jieba.lcut_for_search(s)　　搜索引擎模式，在精确模式的基础上对长词进行切分，返回一个列表类型的分词结果　　jieba.lcut_for_search('中国是一个伟大的国家')

jieba.add_word(s)　　将新词汇添加到词库中　　jieba.add_word(‘我爱python’)

举例：

#coding=gbk

import jieba

def main():

print(jieba.lcut('中国是一个十分美丽的国家'))

print(jieba.lcut('中国是一个十分美丽的国家',cut_all=True))

print(jieba.lcut_for_search('中国是一个十分美丽的国家'))

main()

'''

['中国', '是', '一个', '十分', '美丽', '的', '国家']

['中国', '国是', '一个', '一个十', '十分', '美丽', '的', '国家']

['中国', '是', '一个', '十分', '美丽', '的', '国家']

'''

说完jieba库，我们要开始统计词频了，如何统计?步骤和统计英文相似，不过有了jieba的加持，这变得更为简单：

从文件流 中读取一段全中文文本

直接使用jieba.lcut(txt)将文本切分，返回一个列表

当然这个列表中包含了字符，我们可以直接在遍历过程中不统计len=1的字符

遍历这个列表，按照单词=>出现次存入字典中：counts[x]=counts.get(x,0)+1

使用items()返回一个列表，给列表排序

格式化输出这个列表

代码如下：

#coding=utf-8

import jieba

def getText(fileName):

f=open(fileName,'r',encoding='utf-8')

txt=f.read()

f.close()

return txt

def comp(x):

return x[1]

def main():

txt=getText('Chinese.txt')

words=jieba.lcut(txt)

counts={}

for x in words:

if len(x)==1:

continue

else:

counts[x]=counts.get(x,0)+1

items=list(counts.items())

items.sort(key=comp,reverse=True)

for i in range(10):

key,value = items[i]

print("{0:<10} {1:>5}".format(key,value))

main()

文本读入

统计结果：

'''

可以 9

藏不住 4

如果 3

一天 3

我们 3

一个 3

男人 3

每个 3

那里 3

不怪 3

'''

生成词云

生成词云我们是用的是wordcloud库，这个库可以将给定的一段文本按照空格镜像区分，按照频率显示在一张图片上，频率越高，字体越大，函数以及参数如下：

生成词云对象：wordcloud.WordCloud([width][,height][,min_font_size],[,max_font_size][,font_path][,max_words][,stop_words][,mask])

参数属性：郑州妇科哪家好 http://www.zzkdfk.com/

函数　　描述　　举例

width　　词云对象的宽度，默认400　　w=wordcloud.WorldCloud(width=800)

height　　词云对象的高度，默认600　　w=wordcloud.WorldCloud(height=800)

min_font_size　　指定词云中字体的最小号，默认为4号　　w=wordcloud.WorldCloud(min_font_size=10)

max_font_size　　指定词云字体的最大号，默认根据高度自动调节　　w=wordcloud.WorldCloud(max_font_size=20)

font_step　　指定词云中字体字号的步进间隔，默认为1　　w=wordcloud.WorldCloud(font_step=2)

font_path　　指定字体文件的路径，默认为None　　w=wordcloud.WorldCloud(font_path='msyh.ttc')

max_words　　指定词云中的最大显示单词数量,默认200　　w=wordcloud.WorldCloud(max_words=100)

stop_words　　指定词云中的排除词列表，列表中的词汇将不会出现在词云中　　w=wordcloud.WorldCloud(stop_words={"python"})

mask　　指定词云形状，默认为长方形，需要引用imread()函数 　　　　>>> from scipy.misc import imread

>>> mk=imread('pic.png')

>>>w=wordcloud.WordCloud(mask=mk)

background_color　　指定词云图片的背景颜色，默认为黑色　　w=wordcloud.WorldCloud(background_color='white')

将文本加载到词云对象：w.generate(txt)

将词云对象导出成文件： w.to_file(fileName)

wordcloud根据空格来区分单词，并且会自动过滤符号

代码如下：(根据QQ消息记录，过滤掉头衔和@后生成词云)

#coding=gbk

#coding=utf-8

import wordcloud

import jieba

def getText(fileName):

f=open(fileName,'r',encoding='gbk')

txt=''

for line in f:

if ('【' in line) or ('】' in line) or ('@' in line):continue

else:txt+=line

f.close()

txt=' '.join(jieba.lcut(txt))

return txt

def main():

txt=getText('test.txt')

w=wordcloud.WordCloud(font_path='msyh.ttc',width=800,height=600,max_words=40,font_step=3)

w.generate(txt)

w.to_file('wordcloud3.png')

print('make wordCloud successfully!')

main()