在数据分析和自然语言处理的过程中,关键词的提取和统计是一个重要的步骤,特别是在分析政策文件、经济报告或其他涉及复杂信息的文本时。本文将介绍如何使用Python进行中文文本中的关键词统计,将关注政策相关和不确定性相关的关键词出现频率。通过这样的分析,可以揭示文本中政策导向和不确定性因素的分布情况,从而为进一步的经济分析和决策提供数据支持。
(一)Python分析文本中的不确定性关键词频率
工具与库的使用
本文使用了以下几个Python库:
python
jieba:一个强大的中文分词库,用于将连续的文本切分成词汇。
hanziconv:一个汉字转换库,用于在繁体字和简体字之间进行转换。
os:用于文件路径操作和读取文件。
分析步骤
(1)关键词定义:首先,定义政策相关和不确定性相关的关键词列表。这些关键词是我们感兴趣的内容,在文本中提及的频率可以反映出政策导向和不确定性因素。
(2)文本读取与预处理:从指定的文件路径读取文本,并将其中的繁体字转换为简体字,确保分词和关键词统计的一致性。
(3)文本分词:使用jieba库对文本进行分词处理,将连续的文本切分成单个的词汇。
(4)关键词统计:遍历分词后的词汇,统计每个关键词出现的次数,并计算其在总词汇中的占比。
(5)结果输出:输出总词组数、政策关键词出现次数及其占比、不确定性关键词出现次数及其占比。
以下是具体的代码实现:
python
import jieba # 导入分词库
from hanziconv import HanziConv # 导入汉字转换库
# 定义政策相关和不确定性相关的关键词列表
policy_keywords = ["市政", "政策", "货币政策", "政策鼓励", "国家", "扩内需",
"保增长", "促发展", "产业发展", "法律", "法规", "国民经济", "有关部门",
"产业结构", "产业结构调整", "财政", "税收", "所得税", "增值税",
"税收减免", "税收优惠", "刺激政策", "限贷令", "限购令", "保障房",
"宏观调控", "政府", "当局", "国务院", "中央政府", "当地政府", "证监会",
"政治", "军事", "宏观", "国家政策", "政策环境", "经济政策", "政策走势"]
uncertainty_keywords = ["风险", "经营风险", "市场风险", "信用风险", "不确定性", "不确定",
"波动", "变化", "改变", "徘徊", "不稳", "不稳定性", "不稳定",
"不寻常", "错综复杂", "非常复杂"]
# 设置文件路径并读取文件
file_path = 'C:\\Users\\Desktop\\1.txt'
with open(file_path, 'r', encoding='utf-8') as file:
text = file.read()
text = HanziConv.toSimplified(text) # 将文本中的繁体字转换为简体字
words = list(jieba.cut(text)) # 文本进行分词
total_words = len(words) # 统计总的词组数量
# 初始化关键词计数字典
policy_counts = {key: 0 for key in policy_keywords}
uncertainty_counts = {key: 0 for key in uncertainty_keywords}
# 遍历所有词汇,统计关键词出现的次数
for word in words:
if word in policy_counts:
policy_counts[word] += 1
if word in uncertainty_counts:
uncertainty_counts[word] += 1
# 计算关键词的占比
policy_ratio = sum(policy_counts.values()) / total_words * 100 # 计算政策关键词的占比
uncertainty_ratio = sum(uncertainty_counts.values()) / total_words * 100 # 计算不确定性关键词的占比
# 输出统计结果
print("总词组数:", total_words)
print("政策关键词出现次数:", policy_counts)
print("政策关键词占比:", f"{policy_ratio:.2f}%")
print("不确定性关键词出现次数:", uncertainty_counts)
print("不确定性关键词占比:", f"{uncertainty_ratio:.2f}%")
(二)Python分析文本中的不确定性词汇和句子指标占比
分析步骤:
(1)环境准备和库的导入
安装必要的库:确保安装了 jieba 和 hanziconv。这两个库分别用于中文分词和中文繁简转换。
导入库:在 Python 脚本中导入所需的库。
(2)文本数据的加载和预处理
加载文本数据:从文件或其他数据源读取文本。
文本预处理:包括繁简转换、去除非文字和标点符号,以及分词。
python
def text_preprocess(text):
text = HanziConv.toSimplified(text) # 繁转简
text = ''.join(e for e in text if e.isalnum() or e.isspace()) # 清理文本
words = list(jieba.cut(text)) # 分词
return words
(3)分析经济政策不确定性
定义不确定性相关词汇:列出与经济政策不确定性相关的关键词汇。
计算不确定性词汇占比(EPUW):统计这些词汇在文本中的出现频率,以此衡量不确定性的程度。
python
def calculate_EPUW(words):
uncertainty_words = [...]
num_uncertainty = sum(word in uncertainty_words for word in words)
EPUW = num_uncertainty / len(words) if words else 0
return EPUW
(4)进一步分析句子中的不确定性(EPUS)
句子级分析:将文本分割成句子,并分析每句中是否含有不确定性词汇。
计算不确定性句子占比:比较含有不确定性词汇的句子与总句子数的比例。
python
def calculate_EPUS(text):
sentences = text.split('。')
num_uncertainty_sentences = sum(any(word in s for word in uncertainty_words) for s in sentences)
EPUS = num_uncertainty_sentences / len(sentences) if sentences else 0
return EPUS
以下是具体的代码实现:
python
import jieba # 导入分词库
from hanziconv import HanziConv # 导入汉字转换库
# 文本预处理函数:去除停用词、标点符号等,并进行分词处理
def text_preprocess(text):
# 去除标点符号和特殊字符
text = ''.join(e for e in text if e.isalnum() or e.isspace())
# 分词处理
words = list(jieba.cut(text))
return words
# 经济政策不确定性词汇占比计算函数
def calculate_EPUW(text):
words = text_preprocess(text) # 文本预处理
total_words = len(words) # 计算总词数
uncertainty_words = ["风险", "经营风险", "市场风险", "信用风险", "不确定性", "不确定",
"波动", "变化", "改变", "徘徊", "不稳", "不稳定性", "不稳定",
"不寻常", "错综复杂", "非常复杂"] # 不确定性相关词汇
num_uncertainty = sum(word in uncertainty_words for word in words) # 统计文本中不确定性词汇的数量
EPUW = num_uncertainty / total_words if total_words > 0 else 0 # 计算经济政策不确定性词汇占比
return EPUW
# 经济政策不确定性句子占比计算函数
def calculate_EPUS(text):
sentences = text.split('。') # 将文本按句分割
total_sentences = len(sentences) # 计算总句数
uncertainty_words = ["风险", "经营风险", "市场风险", "信用风险", "不确定性", "不确定",
"波动", "变化", "改变", "徘徊", "不稳", "不稳定性", "不稳定",
"不寻常", "错综复杂", "非常复杂"] # 不确定性相关词汇
num_uncertainty_sentences = sum(any(word in sentence for word in uncertainty_words) for sentence in sentences) # 统计文本中包含不确定性词汇的句子数量
EPUS = num_uncertainty_sentences / total_sentences if total_sentences > 0 else 0 # 计算经济政策不确定性感知指标
return EPUS
# 读取文本文件并进行简体中文转换
file_path = 'C:\\Users\\Desktop\\1.txt'
with open(file_path, 'r', encoding='utf-8') as file:
text = file.read()
text = HanziConv.toSimplified(text)
# 计算经济政策不确定性词汇占比
EPUW = calculate_EPUW(text)
print("经济政策不确定性词汇指标占比(EPUW):", EPUW)
# 计算经济政策不确定性感知指标
EPUS = calculate_EPUS(text)
print("经济政策不确定性句子指标占比(EPUS):", EPUS)