首页 云计算

手把手教你对文本文件进行分词、词频统计和可视化(附源码)

 

大家好!我是Python进阶者。

前言

前几天一个在校大学生问了一些关于词频、分词和可视化方面的问题,结合爬虫,确实可以做点东西出来,可以玩玩,还是蛮不错的,这里整理成一篇文章,分享给大家。

本文主要涉及的库有爬虫库requests、词频统计库collections、数据处理库numpy、结巴分词库jieba 、可视化库pyecharts等等。

一、数据来源

关于数据方面,这里直接是从新闻平台上进行获取的文本信息,其实这个文本文件可以拓展开来,你可以自定义文本,也可以是报告,商业报告,政治报告等,也可以是新闻平台,也可以是论文,也可以是微博热评,也可以是网易云音乐热评等等,只要涉及到大量文本的,都可月引用本文的代码,进行词频分词、统计、可视化等。

二、数据获取

数据获取十分简单,一个简单的爬虫和存储就可以搞定,这里以一篇新闻为例进行演示,代码如下:

import re import collections  # 词频统计库 import numpy as np # numpy数据处理库 import jieba  # 结巴分词 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("报告.txt","w",encoding="utf-8") L=s.find_all("p") for c in L:     f.write("{} ".format(c.text))      f.close() 

代码运行之后,在本地会得到一个【报告.txt】文件,文件内容就是网站上的文本信息。如果你想获取其他网站上的文本,需要更改下链接和提取规则。

三、词频统计

接下来就是词频统计了,代码如下所示。

# 读取文件 fn = open("./报告.txt","r",encoding="utf-8") string_data = fn.read() fn.close() # 文本预处理 # 定义正则表达式匹配模式 pattern = re.compile(u' |,|/|。| |.|-|:|;|)|(|?|"')  string_data = re.sub(pattern,'',string_data)  # 将符合模式的字符去除 # 文本分词 # 精确模式分词 seg_list_exact = jieba.cut(string_data,cut_all=False)   object_list = [] # 自定义去除词库 remove_words = [u'的',u'Ҫ', u'“',u'”',u'和',u',',u'Ϊ',u'是',                 '以' u'随着', u'对于', u'对',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'着',u'˵',u'上',u'这', u'那',u'有', u'Ҳ',                 u'ʲô', u'·', u'将', u'没有', u'到', u'不', u'ȥ']   for word in seg_list_exact:     if word not in remove_words:         object_list.append(word) # 词频统计 # 对分词做词频统计 word_counts = collections.Counter(object_list)  # 获取前30最高频的词 word_counts_all = word_counts.most_common() word_counts_top30 = word_counts.most_common(30)  print("2021年政府工作报告一共有%d个词"%len(word_counts)) print(word_counts_top30) 

首先读取文本信息,之后对文本进行预处理,提取文字信息,并且可以自定义词库,作为停用词,之后将获取到的词频做词频统计,获取前30最高频的词,并进行打印,输出结果如下图所示。

四、可视化

接下来就是可视化部分了,这里直接上代码,如下所示。

import pyecharts from pyecharts.charts import Line from pyecharts import options as opts  # 示例数据 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('词频', data1,                    markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]))        .set_global_opts(title_opts=opts.TitleOpts(title="词频统计Top30", subtitle=""),        xaxis_opts=opts.AxisOpts(name_rotate=60,axislabel_opts={"rotate":45}))       )  line.render_notebook() 

输出结果是一个线图,看上去还不错。

五、总结

本文基于Python网络爬虫获取到的文本文件,通过词频、分词和可视化等处理,完成一个较为简单的项目,欢迎大家积极尝试。在代码实现过程中,如果有遇到任何问题,请加我好友,我帮助解决哦!

 

标签: 可视化

官方微博/微信

每日头条、业界资讯、热点资讯、八卦爆料,全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与,TechWeb官方微博期待您的关注。

↑扫描二维码

想在手机上看科技资讯和科技八卦吗?

想第一时间看独家爆料和深度报道吗?

请关注TechWeb官方微信公众帐号:

1.用手机扫左侧二维码;

2.在添加朋友里,搜索关注TechWeb。

手机游戏更多