用Python读红楼梦之——一、词云绘制

原文连接

Python在数据分析中越来越受欢迎，已经达到了统计学家对R的喜爱程度，Python的拥护者们当然不会落后于R，开发了一个个好玩的数据分析工具，下面我们来看看如何使用Python，来读红楼梦，本文是《用Python读红楼梦》系列文章的第一篇，绘制小说中的词云。

首先当然要导入我们需要用到的包，下面import进来的包，都是我们将在接下来的程序中使用到的包，如果大家还没有安装它们，那么尽快安装它们吧。

import jieba

import numpy

import codecs

import pandas

import matplotlib.pyplot as plt

from wordcloud import WordCloud

接着，要分析词频，就要读取我们的《红楼梦》的文本数据，读取文本，我建议使用codecs包，它可以先通过设置文件的编码，对文件进行读入，这样子就不用边读遍转码了，非常实用。

file = codecs.open("D:\\红楼梦.txt", 'r', 'utf-8')

content = file.read()

file.close()

然后，我们就来分词了，中文分词，当然要用大名鼎鼎的jieba包，下面就是分词的方法。

这里我们需要注意两点：

1、为了提高分词的准确度，我们最好寻找我们分词的词库，这里我下载到了红楼梦的分词库，加载如jieba中，然后再进行分词。

2、对于小说中，一个字的词，基本上算是无用的词，或者说是标点符号，因此这里我直接抛弃了。

jieba.load_userdict('D:\\红楼梦词库.txt');

segments = []

segs = jieba.cut(content)

for seg in segs:

if len(seg)>1:

segments.append(seg);

为了方便统计词频，我们把结果保存在pandas的DataFrame中。

segmentDF = pandas.DataFrame({'segment':segments})

接着我们来移除停用词，停用词包括我们日常的停用词和文言文中的停用词两部分，如下所示：

#移除停用词

stopwords = pandas.read_csv(

"D:\\StopwordsCN.txt",

encoding='utf8',

index_col=False,

quoting=3,

sep="\t"

)

segmentDF = segmentDF[~segmentDF.segment.isin(stopwords.stopword)]

wyStopWords = pandas.Series([

# 42 个文言虚词

'之', '其', '或', '亦', '方', '于', '即', '皆', '因', '仍', '故',

'尚', '呢', '了', '的', '着', '一', '不', '乃', '呀', '吗', '咧',

'啊', '把', '让', '向', '往', '是', '在', '越', '再', '更', '比',

'很', '偏', '别', '好', '可', '便', '就', '但', '儿',

# 高频副词

'又', '也', '都', '要',

# 高频代词

'这', '那', '你', '我', '他',

#高频动词

'来', '去', '道', '笑', '说',

#空格

' ', ''

]);

segmentDF = segmentDF[~segmentDF.segment.isin(wyStopWords)]

从上面的代码我们可以看到，pandas对数据的处理，真的是非常方便，更加方便的还在下面，我们接着来对词频进行统计。

segStat = segmentDF.groupby(

by=["segment"]

)["segment"].agg({

"计数":numpy.size

}).reset_index().sort(

columns=["计数"],

ascending=False

);

segStat.head(100)

到这里，我们基本上可以得到词频了，观察一下下面的词频，贾宝玉当然当之无愧是主角，出现次数基本和换行符一致，哈哈，但是出乎意料的是，贾母，竟然是第二，其实这也难怪，红楼梦，哪个场景没有涉及到贾母的？贾宝玉玩完后，都说要到贾母那里请安或者吃饭的，情理之中。有此可见，最佳女配角，非贾母莫属了。

细心的读者可能也发现了，林黛玉出现的次数，竟然还排在了袭人的后面，其实笔者仔细一想，一点也不奇怪。

首先第一个，林黛玉挂得早，挂得早，出现的次数自然就没有那么多了。

还有另外一个原因，不知道看官们注意到不，贾宝玉和女生滚床单，第一个就是袭人（当然秦可卿是不算的，那纯属是贾宝玉自己梦中YY的），因此，你们懂的。如果大家对贾宝玉的私生活感兴趣，可以看这篇文章《贾宝玉到底和多少人发生过性关系？》

最后要告诉大家的是，黛玉只是林黛玉的昵称，加上妹妹（只是不知道贾宝玉有多少个妹妹咯）和连名带姓的林黛玉的词频，也是超越了袭人的，因此，红楼梦符合广电总局的规定——小三是不能上位的。

segment 计数

14760 宝玉 3762

0 \r\n 3191

35682 贾母 1272

7738 凤姐 1192

34168 袭人 1134

40972 黛玉 1029

27448 王夫人 1015

13833 如今 1002

35130 说道 978

31820 老太太 974

29301 知道 973

36077 起来 955

14062 姑娘 949

7858 出来 932

4769 众人 872

821 一面 828

13305 太太 825

13686 奶奶 810

10094 只见 791

14774 宝钗 789

2211 两个 771

25441 没有 767

1737 不是 743

1828 不知 702

10940 听见 692

35734 贾琏 689

37195 进来 632

11053 告诉 605

2151 东西 603

16508 平儿 590

... ... ...

15894 屋里 286

37827 邢夫人 286

23866 林黛玉 278

15735 尤氏 277

39074 问道 275

28961 看见 271

14016 妹妹 270

1800 不用 265

9373 原来 258

40507 香菱 256

200 一句 255

15032 家里 254

1646 不得 254

248 一声 253

33649 薛蟠 253

14223 媳妇 249

8269 到底 247

36880 这会子 246

37178 进去 246

14033 姊妹 243

8129 别人 240

11753 回去 237

36611 过去 236

22448 明儿 236

21774 方才 233

40871 麝月 233

2446 丫鬟 233

37290 连忙 232

17554 心中 230

14200 婆子 225

为了更加方便地观察数据，我们使用词云的工具，来绘制词云，通过词云，我们可以更加方便简单地查看词频。

#绘画词云

wordcloud = WordCloud(

font_path='D:\\simhei.ttf',

background_color="black"

)

plt.figure(num=None, figsize=(1000, 600), dpi=800, facecolor='w', edgecolor='k')

wordcloud = wordcloud.fit_words(segStat.head(1000).itertuples(index=False))

plt.imshow(wordcloud)

plt.close()

好了，这个就是用Python来看红楼梦的第一篇文章，如果你觉得这个系列的文章值得期待，欢迎关注笔者微博@大数据分析实战，欲知后续如何分析，请听下回分解。

用Python读红楼梦之——一、词云绘制相关推荐

python红楼梦词云_用Python读红楼梦之——二、词云美化
原文链接咱们书接上回,讲到我们使用Python把红楼梦中的核心词汇给绘画出来了,但是,红楼梦这么唯美的书,给我们乌漆麻黑的搞了一张词云,宝宝们肯定接受不了. 我们先来找照片,这张照片不错,不过还是要 ...
用Python读红楼梦之——二、词云美化
原文连接咱们书接上回,讲到我们使用Python把红楼梦中的核心词汇给绘画出来了,但是,红楼梦这么唯美的书,给我们乌漆麻黑的搞了一张词云,宝宝们肯定接受不了. 我们先来找照片,这张照片不错,不过还是要 ...
python红楼梦_用Python读红楼
用Python读红楼最近受到这篇文章用Python读金庸武侠的启发.作为古典文(zhuang)学(bi)青年,一定要用Python来试试我读了20年的<红楼梦>. 首先从网上找到了红楼梦 ...
python分析红楼梦出现的虚词词频统计,python对红楼梦的每一章节进行词频统计
python对红楼梦的每一章节进行词频统计 python对红楼梦的每一章节进行词频统计 import jieba f=open("G:\\红楼梦.txt","r" ...
python对红楼梦的每一章节进行词频统计
python对红楼梦的每一章节进行词频统计 import jieba f=open("G:\\红楼梦.txt","r",encoding="utf-8 ...
python词频统计完整步骤_Python中文文本分词、词频统计、词云绘制
本文主要从中文文本分词.词频统计.词云绘制方面介绍Python中文文本分词的使用.会使用到的中文文本处理包包括:wordcloud,jieba,re(正则表达式),collections. 1 准备工 ...
python爬取微博数据词云_用Python爬取微博数据生成词云图片
原标题:用Python爬取微博数据生成词云图片欢迎关注天善智能 hellobi.com,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区,学习.问答.求职,一站式搞定! 对商业智能BI.大数 ...
基于Python的特定形状透明背景词云图绘制
基于Python的特定形状透明背景词云图绘制 1.需求分析 2.前期准备 2.1文本文件准备 2.2特定形状图片准备 3.代码解析与实现 3.1模块库的导入 3.2停用词表 3.3基于TF-IDF提取 ...
python制作词云时出现figure1 figure2_「中文版」如何在Python中生成任何形状的词云...
有机会介绍一些有趣的项目,向更多人甚至是非技术人员推广Python和人工智能的东西还是蛮有意义的.话不多说,本文将介绍如何将你喜欢的文章或者歌词做一个炫丽的词云图片. 什么是词云呢?简单来说就是,将提 ...

用Python读红楼梦之——一、词云绘制

用Python读红楼梦之——一、词云绘制相关推荐

最新文章

热门文章