Copyright: As this article have questions, please contact the author micro letter kxymxzs, welcome harassment! https://blog.csdn.net/MG_ApinG/article/details/87776308
Tools: Python 3
What is the code to achieve the docx file Chinese word article and lyricist cloud, TOP word frequency statistics
import docx
import jieba
from scipy.misc import imread
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
from matplotlib import font_manager
from PIL import Image, ImageDraw, ImageFont
from wordcloud import WordCloud, ImageColorGenerator
versionN = 6 # 版本
filePath01 = r'F://data_temp/wordTest01.docx' # 源文件路径
filePath02 = r'F://data_temp/wordCut-v{0}.txt'.format(versionN) # 分词结果文件保存路径
filePath03 = r'F://data_temp/wordCount-v{0}.txt'.format(versionN) # # 分词词频统计结果文件保存路径
filePath04 = r"F://data_temp/test.jpg" # 词云图背景图片
filePath05 = r'F://data_temp/wordCloud-v{0}.jpg'.format(versionN) # 词云图保存路径
filePath06 = r'F://data_temp/全新硬笔行书简体.ttf' # 字体文件
filePath07 = r'F://data_temp/wordCountBar-v{0}.jpg'.format(versionN) # TOP词频图保存路径
file01 = docx.Document(filePath01)
docText01 = ''
for i in file01.paragraphs:
docText01 = docText01 + i.text
segList = '/'.join(jieba.cut(docText01, cut_all=False)) # cut_all=False 精确分词,分词符号为/
with open(filePath02, 'a', encoding='utf-8') as f1: # 保存分词结果
f1.write(segList)
f1.close()
wordList = segList.split('/')
arr = np.array(wordList)
keyUse = np.unique(arr)
wordDict = {}
for i in keyUse:
mask = (arr == i) # return like this [ True False ... False False True]
arr_new = arr[mask] # get the True index element
v = arr_new.size # 计数 count the size of i
wordDict[i] = v # 赋值 assignment index i of dict
wordDictSorted = sorted(wordDict.items(), key=lambda item: item[1], reverse=True) # reverse=True 按value值降序排列
PunctuationS = ['，', '。', '?', '、', ' ', '“', '”', '：', '（', '）',
'.', '', '', '', '', '', '', '', '', '', '', '', '',
'', '', '', '', '', '', '', '', '', '', '', '', '']
with open(filePath03, 'a', encoding='utf-8') as f2:
for i in wordDictSorted:
if i[0] not in PunctuationS and len(i[0]) > 1:
f2.write('{0}|{1}\n'.format(i[0], i[1]))
else:
continue
f2.close()
color_mask = imread(filePath04) # 读取背景图片,注意路径
wc = WordCloud(
scale=6, # 越大分辨率越高
font_path="simkai.ttf", # 设置字体，不指定就会出现乱码，注意字体路径
#font_path=path.join(d,'simsun.ttc'),
background_color='white', # 设置背景色
mask=color_mask, # 词云形状
max_words=2000, # 允许最大词汇
max_font_size=60 # 最大号字体
)
wc.generate(segList) # 产生词云
image_colors = ImageColorGenerator(color_mask) # 从背景图片生成颜色值
wc.to_file(filePath05) # 保存图片
plt.figure() # 修复不显示图片的bug
plt.imshow(wc.recolor(color_func=image_colors), interpolation="bilinear") # 实现词云图片按照图片颜色取色
plt.axis("off") # 关闭坐标轴
plt.show()
# 画出词频统计条形图，用渐变颜色显示，选取前N个词频
fig, ax = matplotlib.pyplot.subplots() # fig：matplotlib.figure.Figure对象 ax：Axes(轴)对象或Axes(轴)对象数组
myFont = matplotlib.font_manager.FontProperties(fname=filePath06) # 指定一个ttf字体文件作为图表使用的字体
# 默认状态下，matplotlb无法在图表中使用中文
words = []
counts = []
topN = 30
wordCount01 = open(filePath03, 'r', encoding='utf-8')
for i in wordCount01:
words.append(i.split('|')[0])
counts.append(int(i.split('|')[1].strip(r'\n')))
# 这里是为了实现条状的渐变效果，以该色号为基本色实现渐变效果
colors = ['#FA8072']
for i in range(len(words[:30]) - 1):
colors.append('#FA{0}'.format(int(colors[-1][3:]) - 1))
rectS = ax.barh(np.arange(topN), counts[:topN], align='center', color=colors) # 绘制横向条形图
# 修改Y轴的刻度
ax.set_yticks(np.arange(topN)) # 设置刻度值
ax.set_yticklabels(words[:topN], fontproperties=myFont) # 因为已经排序好,所以直接取前三十个即可，用词替换刻度值
ax.invert_yaxis() # 翻转Y坐标轴
ax.set_title('文章中的高频词汇', fontproperties=myFont, fontsize=17) # 设置标题
ax.set_xlabel(u"出现次数", fontproperties=myFont) # 设置X轴标题
for rect in rectS:
width = rect.get_width()
ax.text(1.03 * width, rect.get_y() + rect.get_height()/2., '%d' % int(width), ha='center', va='center')
plt.rcParams['figure.figsize'] = (8.0, 4.0) # 设置figure_size尺寸
plt.rcParams['savefig.dpi'] = 300 # 图片像素
plt.rcParams['figure.dpi'] = 300 # 分辨率
plt.savefig(filePath07)
# 不知道为什么会报错ValueError: setting an array element with a sequence.,但是保存图片成功
plt.show()
Here are some segmentation results:
简单/易懂/的/机器/学习/知识/（/一/）/：/人工智能/、/建模/和/机器/学习/96/ / /Vency/ /2017.11/./28/ /00/:/42/*/ /字数/
/1454/ /阅读/ /437/评论/ /0/喜欢/ /4/写/在/前面/：/本文/是/系列/的/第一篇/文章/，/“/简单/易懂/的/机器/学习/知识/”/
系列/文章/一方面/是/为了/让/更/多/人/了解/、/入门/机器/学习/；/另一方面/，/也/是/为了/让/自己/在/机器/学习/领域/持
续/学习/下去/。/在/本/系列/中/，/不会/讲/细节/的/算法/和/论证/过程/（/我/暂时/也/不会/•/•/•/）/，/会/讲/一些/简单/
易懂/的/基础知识/，/并/附以/案例/助于/理解/。/1/./人工智能/是/什么/？/在/狭义/上/，/人工智能/（/AI/）/是/指以/Siri/、
/Alexa/等/语音/助手/，/用/语音/代替/界面/交互/的/个人/虚拟/助手/。/在/广义/上/，/人工智能/（/AI/）/是/指/由/人工/制
造/出/的/智能/机器/，/是/一种/能够/学习/的/计算机程序/，/可/代替/人类/去/解决/需要/人类/智慧/才能/解决/的/问题/。/
人工智能/包括/自然语言/处理/、/语音/识别/、/图像识别/、/机器/学习/等/，/每/一个/分支/都/很/复杂/和/庞大/。/本文/主
讲/机器/学习/，/其他/的/大家/可/自行/研究/。/2/./什么/是/建模/？/在/我们/深入/了解/之前/，/先说/一下/建模/的/概念/。
/建模/是/指/把/具体/问题/抽象/成为/某/一类/问题/并用/数学模型/表示/，/是/应用/于/工程/、/科学/等/各/方面/的/通用/方
法/，/是/一种/对/现实/世界/的/抽象/总结/。/（/PS/：/实际/建模/应用/于/社会/各个方面/，/产品/经理/在/从/实际/业务/中
/梳理/出/角色/、/流程/和/实体/也/是/建模/过程/。/如果/眼中/只有/数学/建模/就/过于/狭隘/了/。/）/建模/的/流程/具体/如
下/：/分析/问题/中/的/各种因素/，/并用/变量/表示/→/分析/变量/之间/的/关系/，/相互依存/或/独立/等/→/根据/实际/问题/
选用/合适/的/数学/框架/（/典型/的/有/优化/问题/，/配置/问题/等/）/，/并/将/具体/问题/在/此/框架/下/表达/出/某种/公式/
→/选用/合适/的/算法/求解/表达/出/的/公式/→/使用/计算结果/解释/实际/问题/，/并/分析/结果/。/由此可见/，/在/我们/描述
Word cloud:
TOP word frequency chart:
The results were good.