對神秘巨星影評製作詞雲

前段時間有朋友讓我幫他做個詞雲，第一次接觸文本分析，所以把了解到的過程再總結一遍。

• 數據獲取

看了阿米爾汗的神秘巨星有段時間了，想著爬取豆瓣上的評論做個詞雲看下大家怎麼評論這部電影，因為爬取的時候電影才剛上映，所以數據不多，只當練手使用，數據分析結果不做其他參考。

爬蟲教程：

Python爬蟲從入門到出門（一）

Python爬蟲從入門到出門（二）

Python爬蟲從入門到出門（三）

Python爬蟲從入門到出門（四）

爬取的結果如下所示：

• 文本處理

首先做準備工作，將評論文本用jieba庫進行分詞，jieba支持三種分詞模式 ：

1 精確模式，試圖將句子最精確地切開，適合文本分析；

3 搜索引擎模式，在精確模式的基礎上，對長詞再次切分，提高召回率，適合用於搜索引擎分詞。

這裡採用精確模式分詞，代碼如下：

import jiebaimport pandas as pddata = pd.read_excel("..神秘巨星影評.xlsx")# read_excel需要先安裝xlrd第三方庫seg_list = jieba.cut("".join(data["評論內容"]), cut_all=False, HMM=True)

分詞完成後，可以輸出列印看看結果，會發現有些很奇怪的emoji符號，還有些常用詞對分析無用，例如：的、地、得。所以這裡還需要去掉停用詞。當然，想要進一步做更精確的分析，需要自己設計語料庫。停用詞的語料庫我是在網上下載的，代碼如下：

stop_words = []for word in open("..中文停用詞庫.txt", r): stop_words.append(word.strip())stayed_line = []for word in seg_list: if word not in stop_words: stayed_line.append(word)

最後將結果保存成txt文件：

file = open(data.txt, w, encoding=utf-8)for word in stayed_line: file.write(word) file.write(" ")file.close()

• 詞雲製作

詞雲製作可以用Python完成，但是這裡介紹個只需要幾分鐘完成的方法：在線的圖雲製作工具很多，這裡介紹不用翻牆就可以實現的工具，圖悅http://www.picdata.cn/indexb.php

先將上面得到的txt文件的詞複製到圖悅裡面左邊的框內，然後分析出圖就行了。如果想要定製化背景圖，設計一個要求的476*376像素的PNG圖！然後上傳到網站上就可以了。最後的詞頻統計部分結果如下：