手把手教你对文本文件实行分词、词频统计和可视化
发布时间：2021-12-19 00:45:28 所属栏目：大数据 来源：互联网
导读：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、
|
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("{}n".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't|,|/|。|n|.|-|:|;|)|(|?|"') 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'要', u'“',u'”',u'和',u'，',u'为',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'说',u'上',u'这', u'那',u'有', u'也', u'什么', u'·', u'将', u'没有', u'到', u'不', u'去'] 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! （编辑：拼字网 - 核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐