python词云图词频统计
目录
一:安装必要的库
二:数据分析 条形图可视化
三:数据分析 词频统计 词云图可视化
一:安装必要的库
导入必要的库
import collections # 词频统计库
import os
import re # 正则表达式库
import urllib.error # 指定url,获取网页数据
import urllib.request
import jieba # 结巴分词
import matplotlib.pyplot as plt # 图像展示库
import numpy as np # numpy数据处理库
import pandas as pd
import wordcloud # 词云展示库
import xlwt # 进行excel操作
from PIL import Image # 图像处理库
from bs4 import BeautifulSoup # 网页解析,获取数据
from pyecharts.charts import Bar # 画柱形图
导入的库,如果出现报错,自己安装即可
如下安装示例1
pip install xlrd -i https://pypi.tuna.tsinghua.edu.cn/simple
如下安装示例2
词云库下载,需要注意查看自己版本,下载对应版本安装
https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud
如博主使用的是python3.7,64位,【可以调出cmd 输入python回车即可查看】
总之,安装必要的库,比较简单,这边不过多阐述
二:数据分析 条形图可视化
电影评分前25名,条形图展示
# 可视化data = pd.read_excel('豆瓣电影Top250.xls')df = data.sort_values('评分', ascending=False).head(25)v = df['影片中文名'].values.tolist() # tolist()将数据转换为列表形式d = df['评分'].values.tolist()# 设置颜色color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B''#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B']print("-----" * 15)bar = (Bar().add_xaxis([i for i in df['影片中文名'].values.tolist()]).add_yaxis('评分前25名', df['评价数'].values.tolist()))bar.render("./条形图.html")print("柱形图保存成功!")
生成html网页可以查看条形图 电影评分前25名
三:数据分析 词频统计 词云图可视化
# 读取文件
fn = open('top250.txt', 'r', encoding='utf-8')
string_data = fn.read()
fn.close()
需要特别注意的是,文件格式为utf8,可对txt另存为,再设置编码格式,如下
词频统计 词云图生成 :
# 读取文件fn = open('top250.txt', 'r', encoding='utf-8')string_data = fn.read()fn.close()# 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'19', u',', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在',u'了',u'20', u'大陆', u'我们', u'美国'] # 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object_list.append(word) # 分词追加到列表# 词频统计word_counts = collections.Counter(object_list)word_counts_top10 = word_counts.most_common(10)print(word_counts_top10) # 输出检查word_counts_top10 = str(word_counts_top10)# 词频展示mask = np.array(Image.open('image.jpg'))wc = wordcloud.WordCloud(font_path='simfang.ttf',mask=mask,max_words=100, # 最多显示词数max_font_size=150, # 字体最大值background_color='white',width=800, height=600,)wc.generate_from_frequencies(word_counts)plt.imshow(wc)plt.axis('off')plt.show()wc.to_file('wordcloud.png')
运行测试,实现词频统计
同时生成词云图 保存本地可查看
完整源码分享,需要自取
import collections # 词频统计库
import os
import re # 正则表达式库
import urllib.error # 指定url,获取网页数据
import urllib.request
import jieba # 结巴分词
import matplotlib.pyplot as plt # 图像展示库
import numpy as np # numpy数据处理库
import pandas as pd
import wordcloud # 词云展示库
import xlwt # 进行excel操作
from PIL import Image # 图像处理库
from bs4 import BeautifulSoup # 网页解析,获取数据
from pyecharts.charts import Bar # 画柱形图def main():baseurl = "https://movie.douban.com/top250?start="# 获取网页datalist = getDate(baseurl)savepath = ".\\豆瓣电影Top250.xls"# 保存数据saveData(datalist, savepath)head = {"User-Agent": "Mozilla / 5.0(Windows NT 10.0;WOW64) AppleWebKit / 537.36(KHTML, likeGecko) Chrome / 85.0.4183.121Safari / 537.36"
}# 影片详情链接规则
findLink = re.compile(r'<a href="(.*?)">') # 创建正则表达式对象
# 影片图片的链接
findImgSrc = re.compile(r'<img.*src="(.*?)"', re.S)
# 影片片名
findTitle = re.compile(r'<span class="title">(.*)</span>')
# 影片评分
findRating = re.compile(r'<span class="rating_num" property="v:average">(.*)</span>')
# 评价人数
findJudge = re.compile(r'<span>(\d*)人评价</span>')
# 概况
findInq = re.compile(r'<span class="inq">(.*)</span>')
# 找到影片的相关内容
findBd = re.compile(r'<p class="">(.*?)</p>', re.S)# 爬取网页
def getDate(baseurl):datalist = []x = 1# 调用获取页面信息的函数(10次)for i in range(0, 10):url = baseurl + str(i * 25)html = askURL(url) # 保存获取到的网页源码# 逐一解析数据soup = BeautifulSoup(html, "html.parser")for item in soup.find_all('div', class_="item"):data = [] # 保存一部电影的所有信息item = str(item) # 将item转换为字符串# 影片详情链接link = re.findall(findLink, item)[0]# 追加内容到列表data.append(link)imgSrc = re.findall(findImgSrc, item)[0]data.append(imgSrc)titles = re.findall(findTitle, item)if (len(titles) == 2):ctitle = titles[0]data.append(ctitle) # 添加中文名otitle = titles[1].replace("/", "")data.append(otitle) # 添加外国名else:data.append(titles[0])data.append(' ') # 外国名如果没有则留空rating = re.findall(findRating, item)[0]data.append(rating)judgeNum = re.findall(findJudge, item)[0]data.append(judgeNum)inq = re.findall(findInq, item)if len(inq) != 0:inq = inq[0].replace("。", "")data.append(inq)else:data.append(' ')bd = re.findall(findBd, item)[0]bd = re.sub('<br(\s+)?/>(\s+)?', " ", bd)bd = re.sub('/', " ", bd)data.append(bd.strip())datalist.append(data) # 把处理好的一部电影信息放入datalist# print(link)# 下载图片到本地root = "D://moviePic//"path = root + str(x) + '.jpg'try:if not os.path.exists(root):os.mkdir(root)if not os.path.exists(path):# r = requests.get(imgSrc, headers=head)urllib.request.urlretrieve(imgSrc, path)# with open(path, 'wb') as f:# f.write(r.content)# f.close()print("下载第%d部电影封面" % (x))x += 1else:print("文件保存成功")except:print("下载失败")return datalist# 得到指定一个url的网页内容
def askURL(url):request = urllib.request.Request(url, headers=head)html = ""try:response = urllib.request.urlopen(request)html = response.read().decode("utf-8")except urllib.error.URLError as e:if hasattr(e, "code"):print(e.code) # 打印错误信息if hasattr(e, "reason"):print(e.reason) # 打印错误原因return html# 保存数据
def saveData(datalist, savepath):book = xlwt.Workbook(encoding="utf-8", style_compression=0) # 创建workbook对象sheet = book.add_sheet("豆瓣电影Top250", cell_overwrite_ok=True) # 创建工作表col = ('电影详情链接', "图片链接", "影片中文名", "影片外国名", "评分", "评价数", "概况", "相关信息")try:for i in range(0, 8):sheet.write(0, i, col[i]) # 输入列名for i in range(0, 250):print("第%d条" % (i + 1))data = datalist[i]for j in range(0, 8):sheet.write(i + 1, j, data[j])book.save(savepath)except:print("爬取异常")if __name__ == '__main__':main()print("爬取完毕")# 可视化data = pd.read_excel('豆瓣电影Top250.xls')df = data.sort_values('评分', ascending=False).head(25)v = df['影片中文名'].values.tolist() # tolist()将数据转换为列表形式d = df['评分'].values.tolist()# 设置颜色color_series = ['#2C6BA0', '#2B55A1', '#2D3D8E', '#44388E', '#6A368B''#7D3990', '#A63F98', '#C31C88', '#D52178', '#D5225B']print("-----" * 15)bar = (Bar().add_xaxis([i for i in df['影片中文名'].values.tolist()]).add_yaxis('评分前25名', df['评价数'].values.tolist()))bar.render("./条形图.html")print("柱形图保存成功!")# 读取文件fn = open('top250.txt', 'r', encoding='utf-8')string_data = fn.read()fn.close()# 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'19', u',', u'20', u'德国', u'导演', u'日本', u'法国', u'等', u'能', u'都', u'。', u' ', u'、', u'中', u'在',u'了',u'20', u'大陆', u'我们', u'美国'] # 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object_list.append(word) # 分词追加到列表# 词频统计word_counts = collections.Counter(object_list)word_counts_top10 = word_counts.most_common(10)print(word_counts_top10) # 输出检查word_counts_top10 = str(word_counts_top10)# 词频展示mask = np.array(Image.open('image.jpg'))wc = wordcloud.WordCloud(font_path='simfang.ttf',mask=mask,max_words=100, # 最多显示词数max_font_size=150, # 字体最大值background_color='white',width=800, height=600,)wc.generate_from_frequencies(word_counts)plt.imshow(wc)plt.axis('off')plt.show()wc.to_file('wordcloud.png')
python词云图词频统计相关推荐
- Python制作炫酷的词云图(包含停用词、词频统计)!!!
Python制作词云图(包含停用词.词频统计) 话不多说,直接先上词云效果图!!! 想根据自己喜欢的颜色.字体.以及背景蒙版制作词云图吗?别急,往下看! 分词以及词频统计的代码片段: (包含停用词库: ...
- 浅析如何用Python进行中英文词频统计
浅析如何用Python进行中英文词频统计 主要思路: 读取数据 数据预处理 分词 词频统计 结果显示 词频统计 TF-IDF(term frequency–inverse document frequ ...
- python红楼梦词频统计
python红楼梦词频统计 <红楼梦>人物的出场统计涉及对词汇的统计,中文文章的需要分词才能进行词频统计,需要用到jieba库. 分析过程: 代码: import jieba txt=op ...
- Python绘制词云图并统计词频
文章目录 前言 程序 1. 读取文件 2. 词频统计 3. 生成词云图 4. main函数以及导入的包 结果 1. 词频统计 2. 词云图 前言 词云图又叫文字云,是对文本数据中出现频率较高的关键词予 ...
- python英文词频统计去除定冠词_使用Python进行英文词频统计
对一篇英文文章进行词频统计重点在于内容去噪和归一化,可用split()进行分词.本文以<飘>为例,统计词频最高的前十位. 1.读取文件,通过lower().replace()函数将所有单词 ...
- python分词和词频统计
Python大数据:jieba分词,词频统计 黑冰中国 关注 0.1 2018.03.21 11:39* 字数 1717 阅读 7553评论 6喜欢 45赞赏 1 实验目的 学习如何读取一个文件 学 ...
- python红楼梦词频统计_Python 红楼梦的字频与词频统计
Python 红楼梦的字频与词频统计 使用jieba分词工具分词,在网上下载了一个停用词表(包括标点符号)去除停用词. 使用wordcloud生成词云. 其实除了停用词,程度词与否定词等也应该去除,但 ...
- python词云图制作壮观天体照_超简单:快速制作一款高逼格词云图
词云图,也叫文字云,是对文本中出现频率较高的"关键词"予以视觉化的展现,词云图过滤掉大量的低频低质的文本信息,使得浏览者只要一眼扫过文本就可领略文本的主旨. 一.先看看几个词云图 ...
- python红楼梦词频统计_用 Python 分析《红楼梦》(2)-阿里云开发者社区
6 词频统计 完成分词以后,词频统计就非常简单了.我们只需要根据分词结果把片段切分开,去掉长度为一的片段(也就是单字),然后数一下每一种片段的个数就可以了. 这是出现次数排名前 20 的单词: (括号 ...
最新文章
- 又一个智商税产品“路由器防辐射笼”,信号都没了,还能火爆全网...
- zigbee学习之路(二)点亮LED
- WSS 3.0中An unexpected error has occurred的一个解决方案
- 如何查看oracle用户级别,用户级别的Oracle 导入导出
- java桥_JAVA 桥模式
- ACL访问控制列表【笔记|实验】
- vertica 数据库 linux,配置访问列式数据库vertica的php环境
- 通信原理实践(一)——音频信号处理
- 百度App网络深度优化系列(一):DNS优化
- matlab 调制识别,调制方式识别仿真
- c:\Program Files (×86)\Microsoft VS Code\unins000.exe 尝试在目标目录创建文件时发生一个错误:拒绝访问。
- 初见Autorun病毒与解决办法
- oracle locked time,Oracle里面的用户无法登录 LOCKED(TIMED)解决方法
- java 多线程数组越界_越界java数组
- Linux文件与目录的三种时间状态(mtime,atime,ctime)区别
- wifi状态下实现文件传输
- 陆奇如何解构一家企业?
- c语言正弦波程序_怎样很好的恢复一个正弦波信号
- visio如何关闭预览时的缩略图
- JAVA_基础部分_综合篇
热门文章
- (笔记)labview各种进制转换(通讯得到的负数补码转换成负数原码)
- JSP URL 中文乱码 解决方式
- java上传图片方法_java 图片上传方法
- @2023研考生,网上确认时间来啦!
- matlab运行出现profiler_加速你的MATLAB开发(3): 使用Profiler找出性能瓶颈
- iText中使用虚线(表格边框或其他)
- 中国半导体晶圆研磨设备市场趋势报告、技术动态创新及市场预测
- js动态获取实时时间
- 恩易物联智慧电梯解决方案(物业单位)
- net cad自动发送命令_每周一喂丨网络安全九个常用的网络命令