一文带你掌握Python中文词频统计

时间:2023-03-20 梦想橡皮擦人气:0

词频统计是指在文本中计算每个词出现的次数。

在 Python 中，可以使用一些第三方库（如 jieba）来分词，然后使用字典等数据结构记录每个词的词频。

Python中文词频统计知识点

分词：需要对中文文本进行分词，分词的目的是将文本分解为独立的词语，便于后续的词频统计。
字典：使用字典存储每个词的词频。字典的键为词语，值为词频。
遍历：遍历分词后的结果，统计每个词出现的次数。
排序：对字典按照词频排序，以得到词频最高的词。
输出：最后，可以输出词频最高的词，也可以输出完整的词频字典。

Python中文词频分词

安装 jieba 库

pip install jieba

使用 jieba.cut() 函数对中文文本进行分词

import jieba

text = "梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)
print(list(seg_list))

输出结果：

['梦想', '橡皮擦', '的', 'Python', '博客', '很', '不错']

使用字典可以很方便地存储每个词语的词频

import jieba

text = "梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)
# print(list(seg_list))

word_dict = {}
for word in seg_list:
    print(word)
    if word in word_dict:
        word_dict[word] += 1
    else:
        word_dict[word] = 1

print(word_dict)

再次整理Python词频统计的具体实现方法：

导入 jieba 库，使用 jieba.cut() 函数对中文文本进行分词。
遍历分词后的结果，统计每个词出现的次数。
使用字典记录每个词出现的次数。
对字典按照词频排序，并输出词频最高的词。

代码示例：

import jieba

def get_word_frequency(text):
    seg_list = jieba.cut(text)
    word_dict = {}
    for word in seg_list:
        if word in word_dict:
            word_dict[word] += 1
        else:
            word_dict[word] = 1
    sorted_word_dict = sorted(word_dict.items(), key=lambda x: x[1], reverse=True)
    return sorted_word_dict

text = "梦想橡皮擦的Python博客很不错"
result = get_word_frequency(text)
print(result)

停用词

在分词时，通常会忽略一些词语，这些词语被称为停用词。如常用的助词、介词等。

在 Python 中，可以预先加载停用词表，在分词时，如果词语是停用词，则忽略。

下面是一个简单的例子：

import jieba

stop_words = set()
with open("stop_words.txt", "r",encoding='utf-8') as f:
    for line in f:
        stop_words.add(line.strip())

text = "梦想橡皮擦的Python博客很不错"
seg_list = jieba.cut(text)
filtered_words = [word for word in seg_list if word not in stop_words]
print(filtered_words)

“stop_words.txt” 文件中是停用词表，每行一个词语。在代码中，通过 with open 语句读取文件，并将每个词语加入到 stop_words 集合中。在分词后，通过列表推导式，筛选出不是停用词的词语。文件中的内容如下：

词干提取

词干提取是将词语的不同形式提取为同一词干的过程。例如 “running” 和 “runner” 可以被提取为 “run”。

在 Python 中，可以使用词干提取工具来进行词干提取，常见的词干提取工具有 nltk 库的 PorterStemmer 和 SnowballStemmer 。

下面是一个简单的例子：

import nltk
from nltk.stem import SnowballStemmer

stemmer = SnowballStemmer("english")

words = ["run", "runner", "running"]
stemmed_words = [stemmer.stem(word) for word in words]
print(stemmed_words)

SnowballStemmer 函数的第一个参数是语言。 english 表示使用英语词干提取器。

其支持多种语言，可以指定不同的语言，以使用不同的词干提取器。例如，如果是法语文本，可以使用 SnowballStemmer("french") 。

stemmer.stem(word) 是 nltk 库的 SnowballStemmer 函数的一个方法，用于提取词干。

词云图

词云图是一种展示词频的可视化图形，其中词语的大小代表词频的多少。

在 Python 中，可以使用词云库 wordcloud 来生成词云图。

以下是一个使用 wordcloud 库创建词云图的简单示例：

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text = "ca1 ca2 ca3 ca4 ca4 ca4"
wordcloud = WordCloud(width=400, height=400, random_state=21, max_font_size=110).generate(text)
plt.figure(figsize=(10, 5))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis('off')
plt.show()

首先使用 WordCloud 函数创建一个词云图对象，并设置图片的宽度、高度、随机状态、字体大小等参数。

然后，使用 generate() 方法生成词云图，并将其作为参数传递给 matplotlib 的 imshow() 函数。

最后，使用 show() 方法显示词云图。

Python 中文词频分词其它库

thulac：thulac 是一个中文分词库，支持动态词性标注。

snownlp：snownlp 是一个基于 SnowNLP 的中文自然语言处理库，支持中文分词、情感分析、关键词提取等功能。

加载全部内容