Python实现词云图词频统计
顾城沐心 人气:0一:安装必要的库
导入必要的库
import collections # 词频统计库 import os import re # 正则表达式库 import urllib.error # 指定url,获取网页数据 import urllib.request import jieba # 结巴分词 import matplotlib.pyplot as plt # 图像展示库 import numpy as np # numpy数据处理库 import pandas as pd import wordcloud # 词云展示库 import xlwt # 进行excel操作 from PIL import Image # 图像处理库 from bs4 import BeautifulSoup # 网页解析,获取数据 from pyecharts.charts import Bar # 画柱形图
导入的库,如果出现报错,自己安装即可
如下安装示例1
pip install xlrd -i http://pypi.tuna.tsinghua.edu.cn/simple
如下安装示例2
词云库下载,需要注意查看自己版本,下载对应版本安装
https://www.lfd.uci.edu/~gohlke/pythonlibs/
如博主使用的是python3.7,64位,【可以调出cmd 输入python回车即可查看】
总之,安装必要的库,比较简单,这边不过多阐述
二:数据分析 条形图可视化
电影评分前25名,条形图展示
# 可视化 data = pd.read_excel('豆瓣电影Top250.xls') df = data.sort_values('评分', ascending=False).head(25) v = df['影片中文名'].values.tolist() # tolist()将数据转换为列表形式 d = df['评分'].values.tolist() # 设置颜色 color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B' '#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B'] print("-----" * 15) bar = ( Bar() .add_xaxis([i for i in df['影片中文名'].values.tolist()]) .add_yaxis('评分前25名', df['评价数'].values.tolist()) ) bar.render("./条形图.html") print("柱形图保存成功!")
生成html网页可以查看条形图 电影评分前25名
三:数据分析 词频统计 词云图可视化
# 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close()
需要特别注意的是,文件格式为utf8,可对txt另存为,再设置编码格式,如下
词频统计 词云图生成 :
# 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close() # 文本预处理 pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式 string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除 # 文本分词 seg_list_exact = jieba.cut(string_data, cut_all=False) # 精确模式分词 object_list = [] remove_words = [u'19', u',', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在', u'了', u'20', u'大陆', u'我们', u'美国'] # 自定义去除词库 for word in seg_list_exact: # 循环读出每个分词 if word not in remove_words: # 如果不在去除词库中 object_list.append(word) # 分词追加到列表 # 词频统计 word_counts = collections.Counter(object_list) word_counts_top10 = word_counts.most_common(10) print(word_counts_top10) # 输出检查 word_counts_top10 = str(word_counts_top10) # 词频展示 mask = np.array(Image.open('image.jpg')) wc = wordcloud.WordCloud( font_path='simfang.ttf', mask=mask, max_words=100, # 最多显示词数 max_font_size=150, # 字体最大值 background_color='white', width=800, height=600, ) wc.generate_from_frequencies(word_counts) plt.imshow(wc) plt.axis('off') plt.show() wc.to_file('wordcloud.png')
运行测试,实现词频统计
同时生成词云图 保存本地可查看
完整源码分享,需要自取
import collections # 词频统计库 import os import re # 正则表达式库 import urllib.error # 指定url,获取网页数据 import urllib.request import jieba # 结巴分词 import matplotlib.pyplot as plt # 图像展示库 import numpy as np # numpy数据处理库 import pandas as pd import wordcloud # 词云展示库 import xlwt # 进行excel操作 from PIL import Image # 图像处理库 from bs4 import BeautifulSoup # 网页解析,获取数据 from pyecharts.charts import Bar # 画柱形图 def main(): baseurl = "https://movie.douban.com/top250?start=" # 获取网页 datalist = getDate(baseurl) savepath = ".\\豆瓣电影Top250.xls" # 保存数据 saveData(datalist, savepath) head = { "User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36" } # 影片详情链接规则 findLink = re.compile(r'<a href="(.*?)" rel="external nofollow" >') # 创建正则表达式对象 # 影片图片的链接 findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S) # 影片片名 findTitle = re.compile(r'<span class="title">(.*)</span>') # 影片评分 findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>') # 评价人数 findJudge = re.compile(r'<span>(\d*)人评价</span>') # 概况 findInq = re.compile(r'<span class="inq">(.*)</span>') # 找到影片的相关内容 findBd = re.compile(r'<p class="">(.*?)</p>', re.S) # 爬取网页 def getDate(baseurl): datalist = [] x = 1 # 调用获取页面信息的函数(10次) for i in range(0, 10): url = baseurl + str(i * 25) html = askURL(url) # 保存获取到的网页源码 # 逐一解析数据 soup = BeautifulSoup(html, "html.parser") for item in soup.find_all('div', class_="item"): data = [] # 保存一部电影的所有信息 item = str(item) # 将item转换为字符串 # 影片详情链接 link = re.findall(findLink, item)[0] # 追加内容到列表 data.append(link) imgSrc = re.findall(findImgSrc, item)[0] data.append(imgSrc) titles = re.findall(findTitle, item) if (len(titles) == 2): ctitle = titles[0] data.append(ctitle) # 添加中文名 otitle = titles[1].replace("/", "") data.append(otitle) # 添加外国名 else: data.append(titles[0]) data.append(' ') # 外国名如果没有则留空 rating = re.findall(findRating, item)[0] data.append(rating) judgeNum = re.findall(findJudge, item)[0] data.append(judgeNum) inq = re.findall(findInq, item) if len(inq) != 0: inq = inq[0].replace("。", "") data.append(inq) else: data.append(' ') bd = re.findall(findBd, item)[0] bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd) bd = re.sub('/', " ", bd) data.append(bd.strip()) datalist.append(data) # 把处理好的一部电影信息放入datalist # print(link) # 下载图片到本地 root = "D://moviePic//" path = root + str(x) + '.jpg' try: if not os.path.exists(root): os.mkdir(root) if not os.path.exists(path): # r = requests.get(imgSrc, headers=head) urllib.request.urlretrieve(imgSrc, path) # with open(path, 'wb') as f: # f.write(r.content) # f.close() print("下载第%d部电影封面" % (x)) x += 1 else: print("文件保存成功") except: print("下载失败") return datalist # 得到指定一个url的网页内容 def askURL(url): request = urllib.request.Request(url, headers=head) html = "" try: response = urllib.request.urlopen(request) html = response.read().decode("utf-8") except urllib.error.URLError as e: if hasattr(e, "code"): print(e.code) # 打印错误信息 if hasattr(e, "reason"): print(e.reason) # 打印错误原因 return html # 保存数据 def saveData(datalist, savepath): book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象 sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True) # 创建工作表 col = ('电影详情链接', "图片链接", "影片中文名", "影片外国名", "评分", "评价数", "概况", "相关信息") try: for i in range(0, 8): sheet.write(0, i, col[i]) # 输入列名 for i in range(0, 250): print("第%d条" % (i + 1)) data = datalist[i] for j in range(0, 8): sheet.write(i + 1, j, data[j]) book.save(savepath) except: print("爬取异常") if __name__ == '__main__': main() print("爬取完毕") # 可视化 data = pd.read_excel('豆瓣电影Top250.xls') df = data.sort_values('评分', ascending=False).head(25) v = df['影片中文名'].values.tolist() # tolist()将数据转换为列表形式 d = df['评分'].values.tolist() # 设置颜色 color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B' '#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B'] print("-----" * 15) bar = ( Bar() .add_xaxis([i for i in df['影片中文名'].values.tolist()]) .add_yaxis('评分前25名', df['评价数'].values.tolist()) ) bar.render("./条形图.html") print("柱形图保存成功!") # 读取文件 fn = open('top250.txt', 'r', encoding='utf-8') string_data = fn.read() fn.close() # 文本预处理 pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"') # 定义正则表达式匹配模式 string_data = re.sub(pattern, '', string_data) # 将符合模式的字符去除 # 文本分词 seg_list_exact = jieba.cut(string_data, cut_all=False) # 精确模式分词 object_list = [] remove_words = [u'19', u',', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在', u'了', u'20', u'大陆', u'我们', u'美国'] # 自定义去除词库 for word in seg_list_exact: # 循环读出每个分词 if word not in remove_words: # 如果不在去除词库中 object_list.append(word) # 分词追加到列表 # 词频统计 word_counts = collections.Counter(object_list) word_counts_top10 = word_counts.most_common(10) print(word_counts_top10) # 输出检查 word_counts_top10 = str(word_counts_top10) # 词频展示 mask = np.array(Image.open('image.jpg')) wc = wordcloud.WordCloud( font_path='simfang.ttf', mask=mask, max_words=100, # 最多显示词数 max_font_size=150, # 字体最大值 background_color='white', width=800, height=600, ) wc.generate_from_frequencies(word_counts) plt.imshow(wc) plt.axis('off') plt.show() wc.to_file('wordcloud.png')
加载全部内容