python3 词频统计计数分析+可视化词云 jieba+wordcloud 数据分析

hi， 大家好，我是宋哈哈，今天分享一个利用 python 的 jieba 库 和 wordcloud 词云库 做一个字符串的词频分析和词云可视化

编程环境：

        python 版本：3.6.8

        编辑器：pycharm 2020.1.3 专业版

        系统环境：win10 专业版

---

       

一、在写代码前，需要准备的是 一个做词云的图片，可以百度找，可以自己用PS设计。也可以保存我下方的图片：保存名为 bj.jpg ---> 切记重命名。

 二、在编辑器中 新建一个目录叫 “datafile”，用来保存生成好的 EXCEL 和 词云图片。

 三、新建一个 文本文档 后缀为 txt，名为 ci.txt, 用来存储被 统计的字符串。【不用在乎是否换行】

首先是导入库：如果运行报错的，请 自己安装。

#encoding:utf-8
import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy数据处理库
import jieba # 结巴分词
import wordcloud # 词云展示库
from PIL import Image # 图像处理库
import matplotlib.pyplot as plt # 图像展示库
from matplotlib import colors
import csv
import pandas as pd

内容代码：

 
datalist = []
 
excelFilename = 'H列' # 保存文件名称
 
 
def wordFrequency():
 
    # 读取文件
    fn = open('ci.txt', 'rt', encoding='utf-8')  # 打开文件
    string_data = fn.read()  # 读出整个文件
    fn.close()  # 关闭文件
 
    # 文本预处理
    pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"')  # 定义正则表达式匹配模式
    string_data = re.sub(pattern, '', string_data)  # 将符合模式的字符去除
 
    # 文本分词
    seg_list_exact = jieba.cut(string_data, cut_all=False)  # 精确模式分词
    object_list = []
 
    remove_words = [u'的', u'，', u'和', u'是', 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'我们', u'需要']  # 自定义去除词库
 
    for word in seg_list_exact:  # 循环读出每个分词
 
        if word not in remove_words:  # 如果不在去除词库中
            if len(word) > 2:  # 筛选关键词长度
                print(word, len(word))
 
                object_list.append(word)  # 分词追加到列表
 
    # 词频统计
    word_counts = collections.Counter(object_list)  # 对分词做词频统计
    word_counts_top = word_counts.most_common(200)  # 获取前200最高频的词
 
    for words in word_counts_top:
        data = [words[0], words[-1]]
        datalist.append(data)
 
    # 建立颜色数组，可更改颜色
 
    color_list = ['#0000FF', '#CC0033', '#333333']
 
    # 调用
    colormap = colors.ListedColormap(color_list)
 
    # 词频展示
    mask = np.array(Image.open('bj.jpg'))  # 定义词频背景
    wc = wordcloud.WordCloud(
        font_path='C:/Windows/Fonts/simhei.ttf',  # 设置字体格式
        mask=mask,  # 设置背景图
        max_words=200,  # 最多显示词数
        max_font_size=100,  # 字体最大值
        background_color='white',
        colormap=colormap,
        random_state=18
    )
 
    wc.generate_from_frequencies(word_counts)  # 从字典生成词云
    # image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案
    # wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案
    wc.to_file(f'datafile/{excelFilename}.jpg')
 
    plt.imshow(wc)  # 显示词云
    plt.axis('off')  # 关闭坐标轴
    plt.show()  # 显示图像

把统计出来的词频保存为 EXCEL 文件：

 
def saveExcels():
 
    df = pd.DataFrame(datalist,columns=['词语','词频次数'])
    df.to_excel(f'datafile/{excelFilename}.xlsx')
 

运行代码：

 
 
if __name__ == '__main__':
    wordFrequency()
    saveExcels()

完整代码，复制即可用：

#encoding:utf-8
import re # 正则表达式库
import collections # 词频统计库
import numpy as np # numpy数据处理库
import jieba # 结巴分词
import wordcloud # 词云展示库
from PIL import Image # 图像处理库
import matplotlib.pyplot as plt # 图像展示库
from matplotlib import colors
import csv
import pandas as pd
 
 
datalist = []
 
excelFilename = 'H列' # 保存文件名称
 
 
def wordFrequency():
 
    # 读取文件
    fn = open('ci.txt', 'rt', encoding='utf-8')  # 打开文件
    string_data = fn.read()  # 读出整个文件
    fn.close()  # 关闭文件
 
    # 文本预处理
    pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"')  # 定义正则表达式匹配模式
    string_data = re.sub(pattern, '', string_data)  # 将符合模式的字符去除
 
    # 文本分词
    seg_list_exact = jieba.cut(string_data, cut_all=False)  # 精确模式分词
    object_list = []
 
    remove_words = [u'的', u'，', u'和', u'是', 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'我们', u'需要']  # 自定义去除词库
 
    for word in seg_list_exact:  # 循环读出每个分词
 
        if word not in remove_words:  # 如果不在去除词库中
            if len(word) > 2:  # 筛选关键词长度
                print(word, len(word))
 
                object_list.append(word)  # 分词追加到列表
 
    # 词频统计
    word_counts = collections.Counter(object_list)  # 对分词做词频统计
    word_counts_top = word_counts.most_common(200)  # 获取前200最高频的词
 
    for words in word_counts_top:
        data = [words[0], words[-1]]
        datalist.append(data)
 
    # 建立颜色数组，可更改颜色
 
    color_list = ['#0000FF', '#CC0033', '#333333']
 
    # 调用
    colormap = colors.ListedColormap(color_list)
 
    # 词频展示
    mask = np.array(Image.open('bj.jpg'))  # 定义词频背景
    wc = wordcloud.WordCloud(
        font_path='C:/Windows/Fonts/simhei.ttf',  # 设置字体格式
        mask=mask,  # 设置背景图
        max_words=200,  # 最多显示词数
        max_font_size=100,  # 字体最大值
        background_color='white',
        colormap=colormap,
        random_state=18
    )
 
    wc.generate_from_frequencies(word_counts)  # 从字典生成词云
    # image_colors = wordcloud.ImageColorGenerator(mask) # 从背景图建立颜色方案
    # wc.recolor(color_func=image_colors) # 将词云颜色设置为背景图方案
    wc.to_file(f'datafile/{excelFilename}.jpg')
 
    plt.imshow(wc)  # 显示词云
    plt.axis('off')  # 关闭坐标轴
    plt.show()  # 显示图像
 
 
 
def saveExcels():
 
    df = pd.DataFrame(datalist,columns=['词语','词频次数'])
    df.to_excel(f'datafile/{excelFilename}.xlsx')
 
 
 
 
if __name__ == '__main__':
    wordFrequency()
    saveExcels()

如果对你有用，别忘记收藏至浏览器收藏夹。感谢阅读。