一、定义：
文本挖掘：从大量文本数据中抽取出有价值的知识，并且利用这些知识重新组织信息的过程。
二、语料库（Corpus）
语料库是我们要分析的所有文档的集合。
二、中文分词
2.1概念：
中文分词（Chinese Word Segmentation）：将一个汉字序列切分成一个一个单独的词。
eg：我的家乡是广东省湛江市–>我/的/家乡/是/广东省/湛江市
停用词（Stop Words）：
数据处理时，需要过滤掉某些字或词
√泛滥的词，如web、网站等。
√语气助词、副词、介词、连接词等，如 的，地，得；
2.2安装Jieba分词包：
最简单的方法是用CMD直接安装：输入pip install jieba，但是我的电脑上好像不行。
后来在这里：https://pypi.org/project/jieba/#files下载了jieba0.39解压缩后 放在Python36Libsite-packages里面，然后在用cmd，pip install jieba 就下载成功了，不知道是是什么原因。
然后我再anaconda 环境下也安装了jieba，先在Anaconda3Lib这个目录下将jieba0.39的解压缩文件放在里面，然后在Anaconda propt下输入 pip install jieba，如下图：
2.3代码实战：
jieba最主要的方法是cut方法：
jieba.cut方法接受两个输入参数: 1) 第一个参数为需要分词的字符串 2）cut_all参数用来控制是否采用全模式
jieba.cut_for_search方法接受一个参数：需要分词的字符串,该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
注意：待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
jieba.cut以及jieba.cut_for_search返回的结构都是一个可迭代的generator，可以使用for循环来获得分词后得到的每一个词语(unicode)，也可以用list(jieba.cut(…))转化为list代码示例( 分词 )
import jieba;
for w in jieba.cut(“我爱Python”):
print(w)
输出结果为：
我
爱
Python
for w in jieba.cut("""
工信处女干事
每月经过下属科室都要亲口交代
24口交换机等技术性器件的安装工作
“”"):
print(w)
工信处
女干事
每月
经过
下属
科室
都
要
亲口
交代
24
口
交换机
等
技术性
器件
的
安装
工作
分词功能用于专业的场景：
import jieba;
seg_list = jieba.cut(
“真武七截阵和天罡北斗阵哪个更厉害呢？”
)
for w in seg_list:
print(w)
会出现真武七截阵和天罡北斗阵被分成几个词。为了改善这个现象，我们用导入词库的方法。
import jieba;
jieba.add_word(‘真武七截阵’)#添加词库
jieba.add_word(‘天罡北斗阵’)
seg_list = jieba.cut(
“真武七截阵和天罡北斗阵哪个更厉害呢？”
)
for w in seg_list:
print(w)
但是，如果需要导入的单词很多，jieba.add_word()这样的添加词库的方法就不高效了。
我们可以用jieba.load_userdict(‘D:PDM2.2金庸武功招式.txt’)方法一次性导入整个词库，txt文件中为每行一个特定的词。
2.3.1对大量文章进行分词
先搭建语料库：
分词后我们需要对信息处理，就是这个分词来源于哪个文章。
三、词频统计
3.1词频（Term Frequency）：
3.2利用Python进行词频统计
分组统计：
DataFrame.groupby(
by=列名数组)[统计列明数组].agg({
‘统计项名称’:统计函数
})
判断一个数据框中的某一列的值是否包含一个数组中的任意一个值：
DataFrame.列名.isin(数组)
取反：（对布尔值）
df[~df.列名.isin(数组)]
四、词云绘制
词云（Word Cloud）：是对文本中词频较高的分词，给与视觉上的突出，形成“关键词渲染”，从而国旅掉大量的文本信息，使浏览者一眼扫过就可以领略文本的主旨。
4.1安装词云工具包
这个地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/ ，可以搜到基本上所有的Python库，进去根据自己的系统和Python的版本进行下载即可。
在python下安装很方便，在anaconda下安装费了点劲，最终将词云的文件放在C:UsersAdministrator 这个目录下才安装成功。
import os;
import os.path;
import codecs;
filePaths = [];
fileContents = [];
for root, dirs, files in os.walk(
“C:Python_DM2.4SogouC.miniSampleC000007”
):
for name in files:
filePath = os.path.join(root, name);
filePaths.append(filePath);
f = codecs.open(filePath, ‘r’, ‘utf-8’)
fileContent = f.read()
f.close()
fileContents.append(fileContent)
import pandas;
corpos = pandas.DataFrame({
‘filePath’: filePaths,
‘fileContent’: fileContents
});
import jieba
segments = []
filePaths = []
for index, row in corpos.iterrows():
filePath = row[‘filePath’]
fileContent = row[‘fileContent’]
segs = jieba.cut(fileContent)
for seg in segs:
segments.append(seg)
filePaths.append(filePath)
segmentDataFrame = pandas.DataFrame({
‘segment’: segments,
‘filePath’: filePaths
});
import numpy;
#进行词频统计
segStat = segmentDataFrame.groupby(
by=“segment”
)[“segment”].agg({
“计数”:numpy.size
}).reset_index().sort_values(
by=[“计数”],
ascending=False
);
#移除停用词
stopwords = pandas.read_csv(
“C:Python_DM2.4StopwordsCN.txt”,
encoding=‘utf8’,
index_col=False
)
fSegStat = segStat[
~segStat.segment.isin(stopwords.stopword)
]
#绘画词云
#http://www.lfd.uci.edu/~gohlke/pythonlibs/
from wordcloud import WordCloud
import matplotlib.pyplot as plt
#传入字体文件的路径，还有背景颜色
#微软雅黑的字体，黑色背景
wordcloud = WordCloud(
font_path=‘C:Python_DM2.4simhei.ttf’,
background_color=“black”
)
#把分词设置成数据框的索引，再调用to_dict()的方法，获得一个字典的数据结构了。
words = fSegStat.set_index(‘segment’).to_dict()
wordcloud.fit_words(words[‘计数’])
plt.imshow(wordcloud)
#plt.close()
五、美化词云（词云放入某图片形象中）
六、关键词提取
import os
import codecs
import pandas
import jieba
import jieba.analyse #关键字提取方法
#定义好存储的列数组，抽取5个关键字
filePaths = []
contents = []
tag1s = []
tag2s = []
tag3s = []
tag4s = []
tag5s = []
for root, dirs, files in os.walk(
“C:Python_DM2.6SogouC.miniSample”
):
for name in files:
filePath = root + ‘’ + name;
f = codecs.open(filePath, ‘r’, ‘utf-8’)
content = f.read().strip()
f.close()
tagDF = pandas.DataFrame({
‘filePath’: filePaths,
‘content’: contents,
‘tag1’: tag1s,
‘tag2’: tag2s,
‘tag3’: tag3s,
‘tag4’: tag4s,
‘tag5’: tag5s
})
结果如下:
七、关键词提取实现
词频（Term Frequency）：
计算公式： TF = 该次在文档中出现的次数
逆文档频率（Inverse Document Frequency）
计算公式：IDF = log（文档总数/（包含该词的文档数 - 1））
TF-IDF（Term Frequency-Inverse Document Frequency）