如何基于文本数据集绘制按词频降序排列的词频分布统计图

以下基于Python实现，可直接运行适配你的需求：

1. 所需依赖库 #

• pandas：用于读取处理数据集
• collections.Counter：用于快速统计词频
• matplotlib：用于绘制可视化图表
  未安装依赖可执行命令：pip install pandas matplotlib

2. 完整实现代码 #

import pandas as pd
from collections import Counter
import matplotlib.pyplot as plt

# ---------------------- 1. 加载数据集 ----------------------
# 此处为示例数据集构造，实际使用时替换为你的数据集读取代码即可，比如pd.read_csv('你的数据集文件路径.csv')
df = pd.DataFrame({
    'Text': [
        'This is a long string of words',
        'words have many types',
        'each type represents one thing',
        'thing are different',
        'where are these words'
    ]
})

# ---------------------- 2. 文本预处理与词频统计 ----------------------
all_words = []
for text in df['Text']:
    # 统一转小写后按空格拆分单词，可按需新增去除标点、过滤停用词等逻辑
    words = text.lower().split()
    all_words.extend(words)

# 统计词频并按频次降序排序
word_count = Counter(all_words)
sorted_word_count = sorted(word_count.items(), key=lambda x: x[1], reverse=True)

# 拆分出绘图用的单词列表和对应频次列表
words = [item[0] for item in sorted_word_count]
counts = [item[1] for item in sorted_word_count]

# ---------------------- 3. 绘制词频分布图 ----------------------
plt.figure(figsize=(12, 6))
plt.bar(words, counts, color='#3498db')

# 在柱子上方标注具体频次数值
for x, y in enumerate(counts):
    plt.text(x, y + 0.05, str(y), ha='center', fontsize=10)

plt.xlabel('单词', fontsize=12)
plt.ylabel('出现频次', fontsize=12)
plt.title('词频分布统计图（按降序排列）', fontsize=14)
# 单词名称倾斜45度避免重叠
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

3. 可选优化项 #

• 去除文本标点：预处理阶段增加import re，用text = re.sub(r'[^\w\s]', '', text)清理文本后再分词
• 过滤停用词：可导入nltk停用词库，过滤掉无实际意义的虚词（比如is、of、these等）

内容的提问来源于stack exchange，提问作者Kath