python 【包含数据预处理】基于词频生成词云图

基于词频生成词云图

背景目的

有一篇中文文章，或者一本小说。想要根据词频来生成词云图。

基于词频生成词云步骤

为什么中文需要分词

中文分词是理解和处理中文文本的关键步骤，它直接影响到后续的文本分析和信息提取的准确性和有效性。

无明显单词分隔：中文文本不像英文那样使用空格来分隔单词，中文字符通常连续书写，没有明显的单词边界。
语言单位：中文的基本语言单位是字，但单独的字往往不能表达完整的意思。中文的表达往往需要由多个字组成的词语来实现。
语境依赖性：中文词语的意义很大程度上依赖于语境，相同的字在不同的词语中可能有不同的意义。
词义丰富性：中文中的词语往往比单个的字具有更丰富的语义信息，分词有助于更准确地理解文本内容。
语法复杂性：中文的语法结构相对复杂，词语的顺序、搭配和使用习惯对句子意义的影响很大。
自然语言处理：在自然语言处理领域，分词是中文文本分析的基础步骤，无论是进行词性标注、命名实体识别还是句法分析，都需要先进行分词。
信息检索和文本挖掘：分词可以提高中文信息检索和文本挖掘的准确性，有助于提取关键词和短语，从而更好地理解文本内容。

文本预处理

最终目的是，生成句子数组。

在进行中文文本分析前，必须执行数据预处理步骤，以提升后续处理的准确性和效率。这包括：

移除文本中的特殊符号，因为它们通常不携带有用信息，且可能干扰分词算法。
统一替换空格、换行符、制表符等空白字符为中文逗号，以保持句子的连贯性。
删除无意义的英文字母，因为它们对于中文文本分析不是必要的。
清除文本中的网址、图片链接、日期等信息，这些通常与文本的主题无关，可能会影响分析结果。

数据处理函数

处理文本，过滤不需要无意义的字符。

import re

def data_process(str_data):
    # 定义正则表达式模式
    # 去除换行、空格
    str_data = re.sub(r'[\n\s]+', '', str_data)
    # 匹配网址
    url_pattern = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'
    # 匹配日期格式如 YYYY/MM/DD, YYYY-MM-DD, YYYY年MM月DD日
    date_pattern = r'\d{4}[/\\-]?\d{1,2}[/\\-]?\d{1,2}'
    # 匹配邮箱地址
    email_pattern = r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b'
    # 匹配数字
    number_pattern = r'\d+'
    # 匹配英文字母
    english_letter_pattern = r'[a-zA-Z]'

    # 替换空白字符为空格
    str_data = re.sub(r'\s', '，', str_data)

    # 删除特殊符号、网址、日期、邮箱、数字和英文字母
    str_data = re.sub(url_pattern, '', str_data)
    str_data = re.sub(date_pattern, '', str_data)
    str_data = re.sub(email_pattern, '', str_data)
    str_data = re.sub(number_pattern, '', str_data)
    str_data = re.sub(english_letter_pattern, '', str_data)

    # 删除标点符号
    punctuation = r"""＂!！?？＃＄％＆＇()（）＊＋－／：；▪³/＜＝＞＠［＼］＾＿｀●｛｜｝～｟｠｢｣､、〃》「」『』【】[]〔〕〖〗〘〙{}〚〛*°▽〜〝〞〟〰〾〿–—‘'‛“”„‟…‧﹏"""
    str_data = re.sub(f"[{re.escape(punctuation)}]+", '', str_data)

    return str_data.strip()

sample_text = "这是一个例子。\n包含网址 http://example.com，参考文献[1]{，日期2024-06-18。"
processed_text = data_process(sample_text)
print(processed_text)

句子数组函数封装

读取txt文件生成句子数组

def getText(filename):
    sentences = []
    with open(filename, 'r', encoding='utf-8') as fp:
        for line in fp:
            processed_line = data_process(line)
            if processed_line:  # 检查处理后的句子是否为空或只包含空白字符
                sentences.extend(re.split(r'[。！？]', processed_line))  # 使用更复杂的句子划分规则
        # 去除列表中的空字符串
    sentences = [sentence for sentence in sentences if sentence.strip()]
    return sentences

输出结果

分词和词频统计

jieba分词

Jieba分词是一个流行的中文分词Python库，它的主要特点和作用可以简单概括为：

什么是Jieba分词：一个用于中文文本分词的库。

做了什么：识别中文文本中的单词边界，将连续的文本切分成单独的词语。

得到什么：提供分词后的结果，即文本中各个词语的列表。

Jieba 分词器属于概率语言模型分词，基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况构建成有向无环图，然后采用动态规划寻找最大概率路径，找出基于词频的最大切分组合。对于不存在与前缀词典中的词，采用了汉字成词能力的 HMM 模型，使用了 Viterbi 算法。Jieba 的切分模式有全模式、精确模式、搜索引擎模式，更多详细信息可以查看 github 仓库。

以下是 Jieba 分词器中一些常用函数的：

函数名	描述
jieba.cut	对输入文本进行分词，返回一个可迭代的分词结果
jieba.cut_for_search	在搜索引擎模式下对输入文本进行分词，返回一个可迭代的分词结果
jieba.lcut	对输入文本进行分词，返回一个列表形式的分词结果
jieba.lcut_for_search	在搜索引擎模式下对输入文本进行分词，返回一个列表形式的分词结果
jieba.add_word	向分词词典中添加新词
jieba.del_word	从分词词典中删除指定词
jieba.load_userdict	加载用户自定义词典
jieba.analyse.extract_tags	提取文本中的关键词，返回一个列表形式的关键词结果

词频函数封装

统计句子列表中名词（‘n’, ‘nr’, ‘nz’）的词频，返回一个字典

import jieba.posseg as psg

def getWordFrequency(sentences):
    """
    统计句子列表中名词（'n', 'nr', 'nz'）的词频
    :param sentences: 包含多个句子的列表
    :return: 包含名词词频的字典
    """
    words_dict = {}  # 用于存储词频的字典
    for text in sentences:
        # 去掉标点符号
        text = re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[+——！，。？、~@#￥%……&*（）]+", "", text)
        
        # 使用结巴分词进行词性标注
        wordGen = psg.cut(text)
        
        # 遍历分词结果，统计名词词频
        for word, attr in wordGen:
            if attr in ['n', 'nr', 'nz']:  # 判断词性是否为名词
                if word in words_dict.keys():
                    words_dict[word] += 1
                else:
                    words_dict[word] = 1
    return words_dict

if __name__ == "__main__":
    sentences = getText("../百度百科-黄河.txt")
    # pprint(sentences)
    words_dict = getWordFrequency(sentences)
    pprint(words_dict)