手把手教你對(duì)文本文件進(jìn)行分詞、詞頻統(tǒng)計(jì)和可視化（附源碼）
大家好!我是Python進(jìn)階者。
前言
前幾天一個(gè)在校大學(xué)生問(wèn)了一些關(guān)于詞頻、分詞和可視化方面的問(wèn)題，結(jié)合爬蟲，確實(shí)可以做點(diǎn)東西出來(lái)，可以玩玩，還是蠻不錯(cuò)的，這里整理成一篇文章，分享給大家。
本文主要涉及的庫(kù)有爬蟲庫(kù)requests、詞頻統(tǒng)計(jì)庫(kù)collections、數(shù)據(jù)處理庫(kù)numpy、結(jié)巴分詞庫(kù)jieba 、可視化庫(kù)pyecharts等等。
一、數(shù)據(jù)來(lái)源
關(guān)于數(shù)據(jù)方面，這里直接是從新聞平臺(tái)上進(jìn)行獲取的文本信息，其實(shí)這個(gè)文本文件可以拓展開來(lái)，你可以自定義文本，也可以是報(bào)告，商業(yè)報(bào)告，政治報(bào)告等，也可以是新聞平臺(tái)，也可以是論文，也可以是微博熱評(píng)，也可以是網(wǎng)易云音樂(lè)熱評(píng)等等，只要涉及到大量文本的，都可月引用本文的代碼，進(jìn)行詞頻分詞、統(tǒng)計(jì)、可視化等。
二、數(shù)據(jù)獲取
數(shù)據(jù)獲取十分簡(jiǎn)單，一個(gè)簡(jiǎn)單的爬蟲和存儲(chǔ)就可以搞定，這里以一篇新聞為例進(jìn)行演示，代碼如下：
import re
import collections # 詞頻統(tǒng)計(jì)庫(kù)
import numpy as np # numpy數(shù)據(jù)處理庫(kù)
import jieba # 結(jié)巴分詞
import requests
from bs4 import BeautifulSoup
from pyecharts import options as opts
from pyecharts.charts import WordCloud
from pyecharts.globals import SymbolType
import warnings
warnings.filterwarnings('ignore')
r=requests.get("https://m.thepaper.cn/baijiahao_11694997",timeout=10)
r.encoding="utf-8"
s=BeautifulSoup(r.text,"html.parser")
f=open("報(bào)告.txt","w",encoding="utf-8")
L=s.find_all("p")
for c in L:
f.write("{}\n".format(c.text))
f.close()
代碼運(yùn)行之后，在本地會(huì)得到一個(gè)【報(bào)告.txt】文件，文件內(nèi)容就是網(wǎng)站上的文本信息。如果你想獲取其他網(wǎng)站上的文本，需要更改下鏈接和提取規(guī)則。
三、詞頻統(tǒng)計(jì)
接下來(lái)就是詞頻統(tǒng)計(jì)了，代碼如下所示。
# 讀取文件
fn = open("./報(bào)告.txt","r",encoding="utf-8")
string_data = fn.read()
fn.close()
# 文本預(yù)處理
# 定義正則表達(dá)式匹配模式
pattern = re.compile(u'\t|,|/|。|\n|\.|-|:|;|\)|\(|\?|"')
string_data = re.sub(pattern,'',string_data) # 將符合模式的字符去除
# 文本分詞
# 精確模式分詞
seg_list_exact = jieba.cut(string_data,cut_all=False)
object_list = []
# 自定義去除詞庫(kù)
remove_words = [u'的',u'要', u'“',u'”',u'和',u'，',u'為',u'是',
'以' u'隨著', u'對(duì)于', u'對(duì)',u'等',u'能',u'都',u'。',
u' ',u'、',u'中',u'在',u'了',u'通常',u'如果',u'我',
u'她',u'（',u'）',u'他',u'你',u'？',u'—',u'就',
u'著',u'說(shuō)',u'上',u'這', u'那',u'有', u'也',
u'什么', u'·', u'將', u'沒(méi)有', u'到', u'不', u'去']
for word in seg_list_exact:
if word not in remove_words:
object_list.append(word)
# 詞頻統(tǒng)計(jì)
# 對(duì)分詞做詞頻統(tǒng)計(jì)
word_counts = collections.Counter(object_list)
# 獲取前30最高頻的詞
word_counts_all = word_counts.most_common()
word_counts_top30 = word_counts.most_common(30)
print("2021年政府工作報(bào)告一共有%d個(gè)詞"%len(word_counts))
print(word_counts_top30)
首先讀取文本信息，之后對(duì)文本進(jìn)行預(yù)處理，提取文字信息，并且可以自定義詞庫(kù)，作為停用詞，之后將獲取到的詞頻做詞頻統(tǒng)計(jì)，獲取前30最高頻的詞，并進(jìn)行打印，輸出結(jié)果如下圖所示。
?
?
四、可視化
接下來(lái)就是可視化部分了，這里直接上代碼，如下所示。
import pyecharts
from pyecharts.charts import Line
from pyecharts import options as opts
# 示例數(shù)據(jù)
cate = [i[0] for i in word_counts_top30]
data1 = [i[1] for i in word_counts_top30]
line = (Line()
.add_xaxis(cate)
.add_yaxis('詞頻', data1,
markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]))
.set_global_opts(title_opts=opts.TitleOpts(title="詞頻統(tǒng)計(jì)Top30", subtitle=""),
xaxis_opts=opts.AxisOpts(name_rotate=60,axislabel_opts={"rotate":45}))
)
line.render_notebook()
輸出結(jié)果是一個(gè)線圖，看上去還不錯(cuò)。
?
?
五、總結(jié)
本文基于Python網(wǎng)絡(luò)爬蟲獲取到的文本文件，通過(guò)詞頻、分詞和可視化等處理，完成一個(gè)較為簡(jiǎn)單的項(xiàng)目，歡迎大家積極嘗試。在代碼實(shí)現(xiàn)過(guò)程中，如果有遇到任何問(wèn)題，請(qǐng)加我好友，我?guī)椭鉀Q哦!
