大数据分析 | 用 Python 做文本词频分析

目录

前言

一、词频分析对象——《“十四五”规划》

二、文本预处理

三、中文分词——全都是“干货”

1. 添加自定义词库（特色词库）
2. 进行分词
3. 去除停用词
4. 按需处理其他词语

四、生成词频统计表

1. 统计词频
2. 将词频统计结果保存为表格

五、全部代码

总结

Part1前言

文本分析一直都是数据分析的重要组成，研究方向众多，包括但不限于词频分析、情感分析、文本分类、文本可视化等。其中一些方向研究难度不小，存在一定的技术门槛，但在中文文本分析中，大多数的研究方向都和词语息息相关，所以文本词频分析往往是文本分析的“第一步”。

在技术资源和数据资源丰饶的现代，人人都可以自建炉灶，进行自己的文本研究。一些读者可能在技术操作上存在困难，故而本文就来为大家在词频分析方面提供一些微小的帮助。除此之外，做好词频分析后还可以制作文本可视化词云图，不过那是下期文章才要讲的内容了。

本文中所有 Python 代码均在集成开发环境 Visual Studio Code (VScode) 中使用交互式开发环境 Jupyter Notebook 编写和运行，使用到的 Python 库有 re（用于文本预处理）、jieba（用于中文分词）、collections（用于词频统计）、pandas （用于词频统计表的制作和保存）。

Part2词频分析对象——《“十四五”规划》

我们以国家指导文件《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（下文简称为《“十四五”规划》）中的文本内容作为此次词频分析的文本对象。

首先将文本保存为文本文件（txt 文件），正文部分如下图所示。

Part3文本预处理

首先使用 Python 读取文本，代码如下：

with open('十四五规划.txt', 'r', encoding='utf-8') as f:
    # encoding 参数需要根据文本文件实际的编码来设置
    Text = f.read()  # 读取全部内容
f.close()            # 关闭文件，必要的操作
# 输出正文的前 200 个字符
Text[2024:2224]

Python 读取文本文件时，会加载所有文本，包括空格和换行符。在文章正文的书写中，我们难以避免地使用换行来让文字连续。这有利于阅读，但使用 Python 读取文档时会读到很多换行符以及其他的空白字符，这严重影响了文本中词语的连续性，所以将换行符和空白符全部去除是一个不错的解决方案，操作代码如下：

import re
# 使用正则表达式去除文本中所有的换行符和空白符
Text = re.sub('\s+', '', Text) 

下图是去除换行符后正文（不含目录）的一部分：

💡小贴士

 文本经过预处理后，在后续的分词过程中不会受到干扰字符（换行符，空格）的影响，分词效果更好。

Part4中文分词——全都是“干货”

分词是词频分析最重要的一步，分词的效果和准确性直接影响词频统计的结果，所以在分词方面，需要多做一些工作。

jieba 是 Python 的一个第三方库，可以用于分词，筛选关键词等。Python 有不少分词工具，jieba 的分词效果不一定是最好的，但是它的普适性、易用性、可扩展性一定是非常优秀的，本文就用它作为分词的工具。

1添加自定义词库（特色词库）

jieba 分词以基本词库为标准，一般词语的颗粒度比较小，鲜有某专业领域的特色词。因此我们可以将一些字数较多的词语和专业领域的特色词，添加到我们的特色词库。将特色词库导入后，这些词语的权重要比常规词语高一些，jieba 会优先将他们视作词语进行分词。

添加自定义词语有两种方式，一种是使用 jieba.add_word 添加，代码如下：

import jieba
jieba.add_word('特色词')

另一种是将所有词语存入 txt（编码为UTF-8）中，使用 jieba.load_userdict 添加，我们随意从《“十四五”规划》文本中选取 50 个词语作为特色词保存到 txt 中，词库格式如下图所示：

将此 txt 加载到 jieba 特色词库的代码如下：

# Special_words.txt 是特色词语的路径
jieba.load_userdict('Special_words.txt')

2进行分词

使用jieba.lcut 对文章进行分词，所有词语保存为一个列表，代码如下：

Words_list = jieba.lcut(Text)  # 进行分词，结果为词语列表
print(len(Words_list)) # 输出词语总数量，结果为 32789
Words_list[:10]  # 输出前 10 个词语

3去除停用词

停用词一般指文本中一些无实际意义的语气词，助词等用处不大的词语，因此需要在对分解结果进行处理，去除其中的停用词。有许多机构已经收录了很多常见的停用词，我们使用百度收录的停用词库来去除停用词，停用词库（txt 文件）如下图所示：

去除停用词的原理其实很简单，就是将停用词库加载为一个词语列表，再将分词列表中出现在停用词库中的词语去除即可。将停用词库加载为词列表的代码如下：

Stopwords = open('./停用词/baidu_stopwords.txt', 'r', encoding='utf-8').readlines()
Stopwords = [word.strip() for word in Stopwords]

去除分词列表中停用词的代码如下：

Words_list = [word for word in Words_list if word not in Stopwords]
# 输出去停用词后的总词数
print(len(Words_list)) # 输出：28337, 较去除之前减少了 4452 个词语

4按需处理其他词语

在去除停用词后，词语列表中仍有一些我们不需要的词语，如“新”、“下”、“13” 、“/” 等实际不需要的词语，我们编写代码去除所有不含中文的词语和字数为1的词语，代码如下：

# 去除不含中文的词语
Words_list = [word for word in Words_list if bool(re.search('[\u4e00-\u9fa5]', word)) == True]
# 去除字数为 1 的词语
Words_list = [word for word in Words_list if len(word) != 1]
# 输出剩余词语的数量
print(len(Words_list))    # 输出：21913

经过两轮清洗，词语总数量已经从 32789 减少到 21913 个词语，一共去除 10876 个不需要的词语，剩余的词语均是有意义的词语，对清洗后的结果做词频统计才更加有意义。也可见数据预处理的重要性。

Part5生成词频统计表

1统计词频

对分词结果进行清理后，可以开始对剩余的词语做词频统计了。Counter 是 Python  中 collections 库中的一个函数，可以用于统计列表元素出现频率，词频统计的代码如下：

from collections import Counter # 导入频率统计函数
Word_count = Counter(Words_list) # 统计词频，所得结果为 Counter 对象
Word_count = dict(Word_count) # 将结果转为字典对象
Word_count

部分词语的词频如下图所示：

2将词频统计结果保存为表格

可以使用 pandas 将所有词语及其频率保存到 excel 表中，方便查看，生成以及保存到表的代码如下：

import pandas as pd
Table = pd.DataFrame(columns=['词语', '词频']) # 生成空表
Table['词语'] = list(Word_count.keys())   # 词语字段保存词语
Table['词频'] = list(Word_count.values()) # 词频字段保存词语对应的词频
Table = Table.sort_values(by=['词频'], ascending=False) # 按照词频降序排序
Table.to_excel('十四五规划词频统计表.xlsx', index=False) # 将结果保存为 excel 表

另外我们也可以提取我们添加的特色词，获取一个只包含特色词的词频统计表，代码如下：

# 读取特色词库为词列表
Specialwords = open('Special_words.txt', 'r', encoding='utf-8').readlines()
Specialwords = [word.strip() for word in Stopwords]
# 获取分词处理结果中所有的特色词，这个结果可以直接用来制作词云图
Special_words = [word for word in Words_list if word in Specialwords]
# 对特色词做词频统计
Special_count = dict(Counter(Special_words))
# 生成词频统计表并保存
Table_special = pd.DataFrame(columns=['特色词语', '词频'])
Table_special['特色词语'] = list(Special_count.keys())
Table_special['词频'] = list(Special_count.values())
Table_special = Table_special.sort_values(by=['词频'], ascending=False)
Table_special.to_excel('十四五规划特色词语词频统计表.xlsx', index=False)

我们还可以根据特色词语列表（不去重）来制作词云图，也就是文章顶部的那张词云图了。

Part6全部代码

# 导入工具包
import re, jieba
import pandas as pd
from collections import Counter

# 读取文本
with open('十四五规划.txt', 'r', encoding='utf-8') as f:
    # encoding 参数需要根据文本文件实际的编码来设置，也可以
    # 事先对 txt 进行转码
    Text = f.read()  # 读取全部内容
f.close()            # 关闭文件，必要的操作

# 使用正则表达式去除文本中所有的换行符和空白符
Text = re.sub('\s+', '', Text)

# 导入特色词库
jieba.load_userdict('Special_words.txt')

# 进行分词，所得结果为词语列表
Words_list = jieba.lcut(Text)

# 加载停用词、去除停用词
Stopwords = open('./停用词/baidu_stopwords.txt', 'r', encoding='utf-8').readlines()
Stopwords = [word.strip() for word in Stopwords]
Words_list = [word for word in Words_list if word not in Stopwords]
# 去除不含中文的词语
Words_list = [word for word in Words_list if bool(re.search('[\u4e00-\u9fa5]', word)) == True]
# 去除字数为 1 的词语
Words_list = [word for word in Words_list if len(word) != 1]

# 统计词频 
Word_count = dict(Counter(Words_list))

# 生成词频统计表
Table = pd.DataFrame(columns=['词语', '词频']) # 生成空表
Table['词语'] = list(Word_count.keys())   # 词语字段保存词语
Table['词频'] = list(Word_count.values()) # 词频字段保存词语对应的词频
Table = Table.sort_values(by=['词频'], ascending=False) # 按照词频降序排序
Table.to_excel('十四五规划词频统计表.xlsx', index=False) # 将结果保存为 excel 表

Part7总结

本文为大家介绍了如何使用 Python 进行文本分分析中的词频分析。从文本读取，到词频统计表的生成，讲解了每一步的代码和作用。下一期文章我们将以本文为基础，为大家介绍几个制作词云图的Python 工具， 以及如何使用他们制作高级感十足的词云图。

最后，欢迎公众号的读者朋友对公众号文章提出宝贵的建议和意见，我们会认真聆听，并努力实现。

星标⭐我们不迷路！

想要文章及时到，文末“在看”少不了！

点击搜索你感兴趣的内容吧

往期推荐

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

文 | 两米哥

    欢迎扫描👇二维码添加关注    

点击下方“阅读全文”了解更多