深度有趣 | 03 高端又一般的词云

简介

词云是一种数据呈现方式

• 不会的时候，感觉很厉害、很高大上
• 会用了之后，感觉到哪都看到别人在用

掌握用Python实现词云的方法

准备

安装包

pip install wordcloud matplotlib jieba PIL

准备一些文本，英文或中文皆可

一个简单的例子

WordCloud()可选的参数

• font_path：可用于指定字体路径，包括otf和ttf
• width：词云的宽度，默认为400
• height：词云的高度，默认为200
• mask：蒙版，可用于定制词云的形状
• min_font_size：最小字号，默认为4
• max_font_size：最大字号，默认为词云的高度
• max_words：词的最大数量，默认为200
• stopwords：将被忽略的停用词，如果不指定则使用默认的停用词词库
• background_color：背景颜色，默认为black
• mode：默认为RGB模式，如果为RGBA模式且background_color设为None，则背景将透明

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 打开文本
text = open('constitution.txt').read()
# 生成对象
wc = WordCloud().generate(text)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

由于英文单词之间有空格分隔，因此大多不需要额外的处理

中文词云

中文一般需要经过分词处理，先看下不分词的效果

以《西游记》为例，可以看到结果中会出现各种双字、三字和四字等，但很多并不是合理的词语

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 打开文本
text = open('xyj.txt').read()
# 生成对象
wc = WordCloud(font_path='Hiragino.ttf', width=800, height=600, mode='RGBA', background_color=None).generate(text)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

这次我们先用jieba进行中文分词，可以看到生成的词云里，基本上都是合理的词语了

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba

# 打开文本
text = open('xyj.txt').read()

# 中文分词
text = ' '.join(jieba.cut(text))
print(text[:100])

# 生成对象
wc = WordCloud(font_path='Hiragino.ttf', width=800, height=600, mode='RGBA', background_color=None).generate(text)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis('off')
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

使用蒙版

这里将mask翻译为蒙版，是因为感觉它和Photoshop中蒙版的作用很类似

使用蒙版之后，可以根据提供的蒙版图片，生成指定形状的词云

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba

# 打开文本
text = open('xyj.txt').read()

# 中文分词
text = ' '.join(jieba.cut(text))
print(text[:100])

# 生成对象
mask = np.array(Image.open("black_mask.png"))
wc = WordCloud(mask=mask, font_path='Hiragino.ttf', mode='RGBA', background_color=None).generate(text)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

颜色

词云的颜色可以从蒙版中抽取，使用ImageColorGenerator()即可

# -*- coding: utf-8 -*-

from wordcloud import WordCloud, ImageColorGenerator
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba

# 打开文本
text = open('xyj.txt').read()

# 中文分词
text = ' '.join(jieba.cut(text))
print(text[:100])

# 生成对象
mask = np.array(Image.open("color_mask.png"))
wc = WordCloud(mask=mask, font_path='Hiragino.ttf', mode='RGBA', background_color=None).generate(text)

# 从图片中生成颜色
image_colors = ImageColorGenerator(mask)
wc.recolor(color_func=image_colors)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

当然也可以设置为纯色，增加一个配色函数即可

# -*- coding: utf-8 -*-

from wordcloud import WordCloud
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import random
import jieba

# 打开文本
text = open('xyj.txt').read()

# 中文分词
text = ' '.join(jieba.cut(text))
print(text[:100])

# 颜色函数
def random_color(word, font_size, position, orientation, font_path, random_state):
	s = 'hsl(0, %d%%, %d%%)' % (random.randint(60, 80), random.randint(60, 80))
	print(s)
	return s

# 生成对象
mask = np.array(Image.open("color_mask.png"))
wc = WordCloud(color_func=random_color, mask=mask, font_path='Hiragino.ttf', mode='RGBA', background_color=None).generate(text)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

关于HSL配色方案可以参考

www.w3.org/wiki/CSS3/C…

精细控制

如果希望精细地控制词云中出现的词，以及每个词的大小，可以尝试generate_from_frequencies()，包括两个参数

• frequencies：一个字典，用于指定词和对应的大小
• max_font_size：最大字号，默认为None

generate() = process_text() + generate_from_frequencies()

以下用jieba提取出关键词和权重，再以此绘制词云

# -*- coding: utf-8 -*-

from wordcloud import WordCloud, ImageColorGenerator
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba.analyse

# 打开文本
text = open('xyj.txt').read()

# 提取关键词和权重
freq = jieba.analyse.extract_tags(text, topK=200, withWeight=True)
print(freq[:20])
freq = {i[0]: i[1] for i in freq}

# 生成对象
mask = np.array(Image.open("color_mask.png"))
wc = WordCloud(mask=mask, font_path='Hiragino.ttf', mode='RGBA', background_color=None).generate_from_frequencies(freq)

# 从图片中生成颜色
image_colors = ImageColorGenerator(mask)
wc.recolor(color_func=image_colors)

# 显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

# 保存到文件
wc.to_file('wordcloud.png')

参考

• WordCloud官方首页：amueller.github.io/word_cloud/…
• WordCloud官方示例：amueller.github.io/word_cloud/…
• jieba中文分词：github.com/fxsjy/jieba

视频讲解课程

深度有趣（一）