浙江文化网,欢迎您访问本站!
您的位置: 浙江文化网 > 教育

用Python绘制红楼梦词云图,竟然发现了这个!

来源:营口热线    发布时间:2018-07-25 15:59   

Python在数据分析中越来越受欢迎,已经达到了统计学家对R的喜爱程度,Python的拥护者们当然不会落后于R,开发了一个个好玩的数据分析工具,下面我们来看看如何使用Python,来读红楼梦,绘制小说中的词云。

首先当然要导入我们需要用到的包,下面import进来的包,都是我们将在接下来的程序中使用到的包,如果大家还没有安装它们,那么尽快安装它们吧。

import jieba

import numpy

import codecs

import pandas

import matplotlib.pyplot as plt

from wordcloud import WordCloud

接着,要分析词频,就要读取我们的《红楼梦》的文本数据,读取文本,我建议使用codecs包,它可以先通过设置文件的编码,对文件进行读入,这样子就不用边读遍转码了,非常实用。

file = codecs.open("D:\红楼梦.txt", 'r', 'utf-8')

content = file.read()

file.close()

然后,我们就来分词了,中文分词,当然要用大名鼎鼎的jieba包,下面就是分词的方法。

这里我们需要注意两点:

1、为了提高分词的准确度,我们最好寻找我们分词的词库,这里我下载到了红楼梦的分词库,加载如jieba中,然后再进行分词。

2、对于小说中,一个字的词,基本上算是无用的词,或者说是标点符号,因此这里我直接抛弃了。

jieba.load_userdict('D:\红楼梦词库.txt');

segments = []

segs = jieba.cut(content)

for seg in segs:

if len(seg)gt;1:

segments.append(seg);

为了方便统计词频,我们把结果保存在pandas的DataFrame中。

segmentDF = pandas.DataFrame('segment':segments)

接着我们来移除停用词,停用词包括我们日常的停用词和文言文中的停用词两部分,如下所示:

#移除停用词

stopwords = pandas.read_csv(

"D:\StopwordsCN.txt",

encoding='utf8',

index_col=False,

quoting=3,

sep="t"

)

segmentDF = segmentDF[~segmentDF.segment.isin(stopwords.stopword)]

wyStopWords = pandas.Series([

# 42 个文言虚词

'之', '其', '或', '亦', '方', '于', '即', '皆', '因', '仍', '故',

'尚', '呢', '了', '的', '着', '一', '不', '乃', '呀', '吗', '咧',

'啊', '把', '让', '向', '往', '是', '在', '越', '再', '更', '比',

'很', '偏', '别', '好', '可', '便', '就', '但', '儿',

# 高频副词

'又', '也', '都', '要',

# 高频代词

'这', '那', '你', '我', '他',

#高频动词

'来', '去', '道', '笑', '说',

#空格

' ', ''

]);

segmentDF = segmentDF[~segmentDF.segment.isin(wyStopWords)]

从上面的代码我们可以看到,pandas对数据的处理,真的是非常方便,更加方便的还在下面,我们接着来对词频进行统计。

segStat = segmentDF.groupby(

by=["segment"]

)["segment"].agg(

"计数":numpy.size

).reset_index().sort(

columns=["计数"],

ascending=False

);

segStat.head(100)

到这里,我们基本上可以得到词频了,观察一下下面的词频,贾宝玉当然当之无愧是主角,出现次数基本和换行符一致,哈哈,但是出乎意料的是,贾母,竟然是第二,其实这也难怪,红楼梦,哪个场景没有涉及到贾母的?贾宝玉玩完后,都说要到贾母那里请安或者吃饭的,情理之中。有此可见,最佳女配角,非贾母莫属了。

细心的读者可能也发现了,林黛玉出现的次数,竟然还排在了袭人的后面,其实笔者仔细一想,一点也不奇怪。

首先第一个,林黛玉挂得早,挂得早,出现的次数自然就没有那么多了。

还有另外一个原因,不知道看官们注意到不,贾宝玉和女生滚床单,第一个就是袭人(当然秦可卿是不算的,那纯属是贾宝玉自己梦中YY的),因此,你们懂的。如果大家对贾宝玉的私生活感兴趣,可以看这篇文章《贾宝玉到底和多少人发生过性关系?》

最后要告诉大家的是,黛玉只是林黛玉的昵称,加上妹妹(只是不知道贾宝玉有多少个妹妹咯)和连名带姓的林黛玉的词频,也是超越了袭人的,因此,红楼梦符合广电总局的规定——小三是不能上位的。

segment 计数

14760:0 宝玉 3762

35682:0 贾母 1272

7738 凤姐 1192

34168:0 袭人 1134

40972:0 黛玉 1029

27448:0 王夫人 1015

13833:0 如今 1002

35130:0 说道 978

31820:0 老太太 974

29301:0 知道 973

36077:0 起来 955

14062:0 姑娘 949

7858 出来 932

4769 众人 872

821 一面 828

13305:0 太太 825

13686:0 奶奶 810

10094:0 只见 791

14774:0 宝钗 789

2211 两个 771

25441:0 没有 767

1737 不是 743

1828 不知 702

10940:0 听见 692

35734:0 贾琏 689

37195:0 进来 632

11053:0 告诉 605

2151 东西 603

16508:0 平儿 590

... ... ...

15894:0 屋里 286

37827:0 邢夫人 286

23866:0 林黛玉 278

15735:0 尤氏 277

39074:0 问道 275

28961:0 看见 271

14016:0 妹妹 270

1800 不用 265

9373 原来 258

40507:0 香菱 256

200 一句 255

15032:0 家里 254

1646 不得 254

248 一声 253

33649:0 薛蟠 253

14223:0 媳妇 249

8269 到底 247

36880:0 这会子 246

37178:0 进去 246

14033:0 姊妹 243

8129 别人 240

11753:0 回去 237

36611:0 过去 236

22448:0 明儿 236

21774:0 方才 233

40871:0 麝月 233

2446 丫鬟 233

37290:0 连忙 232

17554:0 心中 230

14200:0 婆子 225

为了更加方便地观察数据,我们使用词云的工具,来绘制词云,通过词云,我们可以更加方便简单地查看词频。

#绘画词云

wordcloud = WordCloud(

font_path='D:\simhei.ttf',

background_color="black"

)

plt.figure(num=None, figsize=(1000, 600), dpi=800, facecolor='w', edgecolor='k')

wordcloud = wordcloud.fit_words(segStat.head(1000).itertuples(index=False))

plt.imshow(wordcloud)

plt.close()

好了,这个就是用Python绘制红楼梦词云的结果,你发现了什么玄机没有?

如果对这方面感兴趣或者在学习Python的过程中有什么问题的话,可以加君羊:699749852,君羊内有大量Python资料,也会有人解答问题,大家一起学习,一起交流。希望每位学习Python的人都能学有所成。

下一篇文章:乌兰牧骑来了