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)

共 3193字,需浏览 7分钟

 ·

2021-12-10 14:16

点击上方“Python爬虫与数据挖掘”,进行关注

回复“书籍”即可获赠Python从入门到进阶共10本电子书

万里寒光生积雪,三边曙色动危旌。

 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 reimport collections  # 词频统计库import numpy as np # numpy数据处理库import jieba  # 结巴分词import requestsfrom bs4 import BeautifulSoup
from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType
import warningswarnings.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 pyechartsfrom pyecharts.charts import Linefrom 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!

------------------- End -------------------

往期精彩文章推荐:

欢迎大家点赞,留言,转发,转载,感谢大家的相伴与支持

想加入Python学习群请在后台回复【入群

万水千山总是情,点个【在看】行不行

/今日留言主题/

随便说一两句吧~~

浏览 34
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报