今天CDA给大家分享的内容：手把手教你对文本文件进行分词、词频统计和可视化

作者： Python进阶者

来源：Python爬虫与数据挖掘

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'] 

微信复制
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。