基于爬取的数据进行分析-生成统计词云

• 本篇是通过生成词云来介绍相关库及相关知识，不讲解生成词云的具体操作

• 生成词云步骤：
  

1 分词处理--Jieba库

Jieba是一个用于中文分词处理的第三方库

• Jieba分词的原理

  1. 利用中文词库，确定汉字之间的关联概率
  2. 汉字间概率大的组成词组，形成分词结果
     • 除了分词，用户可以添加自定义词组

1.1 jieba三模式

1.2 使用自定义词典

• 将自己自定义的词典引入jieba词库

  • 提高正确率

• 添加词典语法如下：

  jieba.load_userdict(dict_path)  #dict_path为自定义的词典路径
  

• 自定义词典规则：
  一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。

  • 词性表对照表网上搜索就有
  • 示范：
    • 自定义之前：张三 / 是 / 大 / 数据 / 开发/人员/ 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
    • 添加自定义词典之后：张三 / 是 / 大数据 / 开发/人员/ 也 / 是 / 云计算 / 方面 / 的 / 专家 /

1.3 关键字提取停用词^[1]

• 语法如下：

  jieba.analyse.set_stop_words(dict_path) # dict_path为自定义语料库的路径
  

2 词频统计

• 基本思路：

  1. 完成分词处理

  2. 定义空字典，对分词结果进行词频统计

     def getWordFreq(word_list,word_count)  #word_list:用于传入分词后的列表；word_count:用于传出统计后的结果
     	for word in word_list:
         	word_count[word] = word_count.get(word, 0) + 1
     

• 如果有停用词，百度、哈工大等机构提供了中文停用词表，我们可直接下载

  • 加入停用词后的代码为：

    def getWordFreq(word_list,word_count)  #word_list:用于传入分词后的列表；word_count:用于传出统计后的结果
    stopwords = getStopWord() #getStopWord():这是自己定义的停用词函数
    	for word in word_list:
            if word not in stopwords:
    	    	word_count[word] = word_count.get(word, 0) + 1
        return word_count
    

3 词云展示--PyEcharts

通俗来讲$python+echarts=pyecharts$。而Echarts是由百度开源的的数据可视化工具包，

3.1 PyEcharts简单使用

• 安装pyecharts

  pip install pycharts
  

• 进入官网寻找需要使用的可视化形式

  • pyecharts官网

• 引入包

  from pyecharts.charts import WordCloud
  

  • 因为例子我采用的可视化词云，所以引入的是词云包

• C+V大法加简单修饰即可

3.2 词云生成

• 词云图使用的是pyecharts的add方法函数，使用方法如下（这就是官网的使用方法cv而来微改）：

  def add(
      series_name: str,  # 系列名称。用于 tooltip 的显示，legend 的图例筛选。
      data_pair: Sequence,  # 系列数据项。[(word1, count1), (word2, count2)]
  	shape: str = "circle",  # 词云图轮廓。有 'circle', 'cardioid', 'diamond', 'triangle-forward', 'triangle', 'pentagon', 'star' 可选
  	word_gap: Numeric = 20,  # 单词间隔
      word_size_range=None,  # 单词字体大小范围
      rotate_step: Numeric = 45,  # 旋转单词角度
      tooltip_opts: Union[opts.TooltipOpts, dict, None] = None,  # 提示框组件配置项，参考 `series_options.TooltipOpts`
  

  • 其中series_name，data_pair，shape是三个必传参数

• 演示代码：

  def drawWordCloud(word_count):
  	wCloud =WordCloud()   #实例词云
      wCloud.set_global_opts(title_opts=opts.TitleOpts(title='高频评论词')) #设置词云标题为“高频评论词”。set_global_opts:是pyecharts的全局配置项设置的方法。使用前要导入
      wCloud.add(
          series_name='评论',
          data_pair=list(word_count.items()),
          shape='penagon'
        	) #生成词云
      wCloud.render(r'woedCloud.html') #创建html文档。render用法以后再讲
      return wCloud
  

注释：