词频统计 90% 的新手都会踩的坑：停用词表没配。

有个客户跑来问：「为什么我统计出来，排名第一是『的』，第二是『了』？」——这就是没过滤停用词。

jieba 默认其实带了 stopwords，但只有 200 多个，像「但是」「觉得」「可能」这种实词性虚词都没收。生产环境建议自己加一份，常见的有 1500-3000 词的中文停用词表，GitHub 一搜一大把，挑一个 star 多的就行。

实际处理时，顺序也很重要：

  1. 1
  2. 2
  3. 3
  4. 4

第三步很多人会漏，结果「很」「也」「都」这种词全混进去了。

干净的语料，做出来的词云才像样。

本文由 BBZ · 小朵科技工作室 出品。配套工具：词频统计软件 P01。