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)

  发布时间:2026-11-17   作者:玩站小弟   我要评论
谷歌霸屏服务【tg:seogoogle987】。

 

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手把,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 手教;import BeautifulSoup  from pyecharts import options as opts from pyecharts.charts import WordCloud from pyecharts.globals import SymbolType  import warnings warnings.filterwarnings('ignore')  r你对=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)) 文本;     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 # 定义正则表达式匹文件配模式 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 =进行 [] # 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'。',      &n分词bsp;          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',        、词;         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 频统;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)  #计和 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,并进可视行打印,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&nb化(sp;= [i[1] for i in word_counts_top30]  line = (Line()        .add_xaxis(cate)        .add_yaxis('词频', data1,          &附源nbsp;         markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]))        .set_global_opts(title_opts=opts.TitleOpts(title="词频统计Top30", subtitle=""),      &nbs码)p; 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!

 

  • Tag:

相关文章

  • 云计算核心技术Docker教程:Docker 守护进程dockerd运行多个守护程序

    本节介绍如何在单个主机上运行多个Docker守护程序。要运行多个守护程序,必须配置每个守护程序,以使其与同一主机上的其他守护程序不冲突。您可以通过将其提供为标志或使用守护程序配置文件来设置这些选项。
    2026-11-17
  • 惊悚!美国校医利用AI工具研究毒药,致丈夫瘫痪

    在科技飞速发展的今天,人工智能的应用正在改变我们的生活,但它也可能带来意想不到的后果。最近,美国北卡罗来纳州发生了一起令人震惊的案件,一名校医利用 ChatGPT 等 AI 工具,竟然研究毒药并对丈夫
    2026-11-17
  • 京东618:京东云实现单位订单资源成本同比下降30%

    6月19日消息,根据京东官方发布的数据显示,2021年6月1日0时至6月18日24时,2021“京东618,18周年庆”累计下单金额超3438亿元,创下新的纪录。在这背后,首次亮相的京东云混合云操作系
    2026-11-17
  • 云计算可观察性的五个关键和新兴趋势

    Red Hat公司首席软件工程师Bartłomiej Płotka确定了现代云计算可观察性的五个关键和新兴趋势。 在高度抽象、虚拟化、通常是短暂且始终动态的云计算资源的世界中,实现持续可观察性的需求是
    2026-11-17
  • 标签: 立讯精密 港交所 消费电子 汽车电子

    云梦级7月9日云梦级消息,7月9日,立讯精密(02475.HK)正式登陆港交所主板,由中信证券、高盛、中金联席保荐。发行价为63.28港元(按上限定价)。昨日暗盘收跌4.95%,报60.15港元。 据
    2026-11-17
  • Docker Desktop 4.11 中的虚拟桌面支持、Mac 权限更改和新扩展

    Docker Desktop 4.11现已上线!在此版本中,我们添加了一些要求很高的功能,旨在帮助开发人员的生活更轻松,并帮助具有安全意识的组织更轻松地成长。 在虚拟桌面环境中运行适用于 Window
    2026-11-17

最新评论