Python 代码实现对《红楼梦》文本的词频统计和数据可视化

Python 代码主要实现了对《红楼梦》文本的词频统计和数据可视化

完整详细下载地址：https://download.csdn.net/download/huanghm88/89879439

```python
"""  实训4 基于词频的篇章语义相似度与红楼梦内容分析   步骤3 针对红楼梦词频的数据可视化 """
# 引入 collections 包， json 包， codecs 包， jieba 包
import collections, json, codecs, jieba
# 引入tqdm循环可视化工具
from tqdm import tqdm
# 引入词云图绘制的 WordCloud 模块
from wordcloud import WordCloud
# 引入 matplotlib 的绘图模块，记作 plt
import matplotlib.pyplot as plt# 步骤1 中实现的函数
# 定义一个函数，输入一个 文件路径 input_path， 以utf-8格式，读入并解析json文件。
def json_load (input_path) :return json.load(codecs.open(input_path, 'r', 'utf-8'))# 实训2步骤3 中实现的函数
# 定义函数，输入为一个中文字串组成的list。利用jieba分词，对中文字串进行切分，并统计词频。
def word_count(document_words) :to_ret = collections.Counter()for word in document_words :word_cut = list(jieba.cut(word))word_cut_counter = collections.Counter(word_cut)to_ret = to_ret + word_cut_counterreturn to_ret# 实训2步骤4 中实现的函数
# 定义函数，输入为一个collections.Counter格式的词频统计， word_count ，和一个路径， outut_path 。
# 基于 word_count 绘制词云图，并储存在地址 outut_path 中
def word_cloud(word_count, outut_path) :for word in word_count :if word_count[word] == 1 :word_count[word] = 0if len(word) == 1 :word_count[word] = 0wc = WordCloud(width=2000,                 # 绘图的宽度height=1200,                # 绘图的高度font_path='msyh.ttf',       # 中文字体的路径colormap='spring'           # 颜色风格，可以不设置) wc.generate_from_frequencies(word_count)wc.to_file(outut_path)# 利用 json_load 函数，读入红楼梦的json文件
# 辅导老师也可以准备其它文本用于处理
# 我们这里只对红楼梦前80回做处理
data = json_load('红楼梦.json')[:80]# 步骤1 中实现的内容
# 使用 word_count 函数，得到红楼梦每章的字数统计，存入word_counts。
# 同时使用tqdm循环可视化工具，可视化处理过程
word_counts = []
for chapter in tqdm(data) :count_t = word_count(chapter['content'])word_counts.append(count_t)# 使用实训2步骤4的内容，绘制两章的词云图
# word_cloud(word_counts[5],  '红楼梦第6章.png')
# word_cloud(word_counts[15], '红楼梦第16章.png')# 分别得到宝玉、贾母、刘姥姥四个词汇在各个章节的词频统计数据。
baoyu_count     = []
jiamu_count     = []
liulaolao_count = []
for wc in word_counts :baoyu_count.append(wc['宝玉'])jiamu_count.append(wc['贾母'])liulaolao_count.append(wc['刘姥姥'])
# 如果好奇的话，这里可以打印词频统计结果
# print(baoyu_count)
# print(jiamu_count)
# print(liulaolao_count)# 第一部分：
# 使用plt工具画柱状图
def draw_bar_single(input_data, output_path) :# 每个柱子的位置position = list(range(1, len(input_data)+1))plt.bar(x = position,       # 每个柱子的位置height = input_data # 每个柱子的高度)# 保存路径plt.savefig(output_path)# 清空缓存，可以背下来plt.clf()# 可以看到，宝玉通篇在提，刘姥姥只有来的几次被提。
draw_bar_single(liulaolao_count, '刘姥姥_bar.png')
draw_bar_single(baoyu_count, '宝玉_bar.png')# 第二部分：
# 使用plt工具画多重柱状图，这里是绘制宝玉和贾母的词频
# 每个柱子的位置
position_1 = [t-0.2 for t in  range(1, len(baoyu_count)+1)]
position_2 = [t+0.2 for t in  range(1, len(jiamu_count)+1)]plt.bar(x = position_1,     height = baoyu_count,width = 0.4,       # 柱子的宽度label = 'baoyu'  # 标签
)
plt.bar(x = position_2,     height = jiamu_count,width = 0.4,       # 柱子的宽度label = 'jiamu'   # 标签
)
# 绘制图例
plt.legend()
# 保存路径
plt.savefig('multi_bar.png')
# 清空缓存
plt.clf()# width = 0.2
# plt.bar(x = [1-width, 2-width, 3-width, 4-width], height = [4, 3, 2, 1], width = width*2, label = 'sampleA')
# plt.bar(x = [1+width, 2+width, 3+width, 4+width], height = [1, 2, 3, 4], width = width*2, label = 'sampleB')
# # 
# plt.show()# 第三部分：
# 使用plt工具画折线图，这里是绘制宝玉和贾母的词频
# 折现数据点的位置position = list(range(1, len(baoyu_count)+1))plt.plot(position,           # 数据点的位置baoyu_count,        # 词频统计数据label="baoyu",      # 标签color="blue",       # 颜色marker=".",         # 点的形状linestyle="-"       # 线的形状)
plt.plot(position,           # 数据点的位置jiamu_count,        # 词频统计数据label="jiamu",      # 标签color="green",      # 颜色marker=".",         # 点的形状linestyle="--"      # 线的形状)# 横纵坐标标签
plt.xlabel("chapter")
plt.ylabel("word count")
# 绘制图例
plt.legend()
# 保存路径
plt.savefig('lines.png')

以下是对这段代码的分析：**一、整体功能概述**这段 Python 代码主要实现了对《红楼梦》文本的词频统计和数据可视化。具体功能包括：1. 读取《红楼梦》的 JSON 文件，并对前 80 回的内容进行处理。
2. 使用 jieba 分词对每章的内容进行切分，并统计词频。
3. 绘制特定章节的词云图，展示章节中的高频词汇。
4. 统计特定人物（宝玉、贾母、刘姥姥）在各章节中的词频。
5. 分别绘制人物词频的柱状图、多重柱状图和折线图进行可视化展示。**二、主要函数分析**1. `json_load(input_path)`：- 功能：以 UTF-8 格式读入并解析 JSON 文件。- 参数：`input_path`是 JSON 文件的路径。- 返回值：解析后的 JSON 数据。2. `word_count(document_words)`：- 功能：对输入的中文字串列表进行 jieba 分词，并统计词频。- 参数：`document_words`是一个由中文字串组成的列表。- 返回值：一个`collections.Counter`对象，包含了分词后的词频统计结果。3. `word_cloud(word_count, output_path)`：- 功能：根据输入的词频统计结果绘制词云图，并保存到指定路径。- 参数：`word_count`是一个`collections.Counter`格式的词频统计结果，`output_path`是保存词云图的路径。4. `draw_bar_single(input_data, output_path)`：- 功能：绘制单个的柱状图。- 参数：`input_data`是要绘制的柱子高度数据，`output_path`是保存柱状图的路径。**三、代码执行过程**1. 首先，使用`json_load`函数读入《红楼梦》的 JSON 文件，并只取前 80 回的数据。2. 然后，使用`tqdm`循环可视化工具，对每一章的内容进行词频统计，将结果存入`word_counts`列表中。3. 接着，分别统计宝玉、贾母、刘姥姥在各章节中的词频，并可以打印出来查看。4. 之后，分别绘制刘姥姥和宝玉的词频柱状图，以及宝玉和贾母的词频多重柱状图和折线图进行可视化展示。**四、应用场景**1. 文本分析：通过对文学作品进行词频统计和可视化，可以了解作品中不同词汇的出现频率和分布情况，从而深入分析作品的主题、人物等方面。2. 数据可视化教学：这段代码可以作为数据可视化的教学示例，展示如何使用 Python 的相关库进行词云图、柱状图和折线图的绘制。3. 完整详细下载地址：https://download.csdn.net/download/huanghm88/89879439