5.2 数据可视化分析——词云图绘制

5.2.1 用jieba库实现中文分词

• 要从中文文本中提取高频词汇，需要使用中文分词（Chinese Word Segmentation）技术。分词是指将一个文本序列切分成一个个单独的词。我们知道，在英文的行文中，单词之间以空格作为分隔符，而中文的词语之间没有一个形式上的分解符，因此，中文分词比英文分词要复杂一些。在Python中，可以利用jieba库来快速完成中文分词。

1.jieba 库的安装与基本用法

import jieba
word = jieba.cut('我爱北京天安门')
for i in word:
    print(i)

注意：用cut()函数分词得到的word不是一个列表，而是一个迭代器。所谓迭代器其实和列表很相似，可以把它理解成一个“隐身的列表”。但是迭代器里的元素要通过for循环语句来访问，所以第3行代码和第4行代码不能改写成print(word)。

2.读取文本内容并进行分词

• 下面先来讲解如何从文本文件中读取内容并进行分词，代码如下：

import jieba
report = open('信托行业报告.txt','r').read()
words = jieba.cut(report)
for word in words:
    print(word)

3.按指定长度提取分词后的词

• 这里以提取长度大于等于4个字的词为例进行讲解，代码如下：

import jieba
report = open('信托行业报告.txt','r').read()
words = jieba.cut(report)
report_words = []
for word in words: #将长度大于等于4个字的词放入列表
    if len(word) >= 4:
        report_words.append(word)
print(report_words)

4.统计高频词汇

• 统计高频词汇并不复杂，用collections库中的Counter()函数就可以完成，代码如下：

import jieba
report = open('信托行业报告.txt','r').read()
words = jieba.cut(report)
report_words = []
for word in words: #将长度大于等于4个字的词放入列表
    if len(word) >= 4:
        report_words.append(word)
        
from collections import Counter
result = Counter(report_words)
print(result)

• 这样便可以打印输出每个词的出现次数。如果只想看出现次数排名前50位的词，可以用most_common()函数来完成，将上述第10行代码改写成如下代码：

import jieba
report = open('信托行业报告.txt','r').read()
words = jieba.cut(report)
report_words = []

for word in words: #将长度大于等于4个字的词放入列表
    if len(word) >= 4:
        report_words.append(word)

from collections import Counter
result = Counter(report_words).most_common(50) #取最多的50组
print(result)

• 将result打印输出，结果如下图所示。可以看到，里面的一些高频词还是能体现整个行业的某些情况的。例如，最近几年行业年度报告里频繁提到“信息技术”与“人工智能”这类词，那么它们也的确体现了行业的未来发展趋势。
  

5.2.2 用wordcloud库绘制词云图

1.wordcloud库的基本用法

• 以前面做了长度筛选的分词结果report_words为例讲解wordcloud库的基本用法，代码如下：
• 如果wordcloud安装失败，可参考python中安装wordcloud的方法

# 1.读取文本内容，并用jieba库中的cut()函数进行分词
import jieba
report = open('信托行业报告.txt','r').read()
words = jieba.cut(report)

# 2.通过for循环语句提取列表words中长度大于等于4个字的词
report_words = []
for word in words: #将长度大于等于4个字的词放入列表
    if len(word) >= 4:
        report_words.append(word)
#print(report_words)

# 3.