如何安全的做词云? jiebaR与wordcloud2实战

因为工作需要，又开始上手R语言。比起从前，现在面对新知识更有耐心（经历所致），也更愿意优化代码，提高效率。

网上制作词云的工具很多，但如果是公司比较重要的数据信息，我不建议用网上工具，会造成信息泄露。所以，不如花点时间，自己学会做，对提升数据分析也有帮助。

要做词云，有两件事情要做：1）文本分词；2）制作词云。

先说文本分词，主要用到jiebaR包，处理txt文本，变成关键词+频次的数据框形式，然后提取需要的高频词汇，使用wordcloud2包制作词云。

一、案例展示：

2021年中国世界500强企业，我想知道这些优秀企业有哪些关键字，怎么做出来呢？先给大家看最终的结果：

我们可以看到最突出的关键字：国际、科技股份，然后是上海，电力，能源，汽车，钢铁，银行。因为我们分析的是世界500强企业，所以可以得出结论：业务面向国际的企业，类型是科技股份制，然后从区域来看上海500强最多，其次是江苏（居然不是北京~），接下来行业电力（垄断行业，铁饭碗），能源（新趋势行业），汽车、钢铁。从这些关键字对大家择业赛道也会有所启发。

1. 接下来如何做出这个图： 

install.packeges("jiebaR")#下载jiebaR包
install.packeges("wordcloud2")#下载词云包，推荐用词云2
library(jiebaR)#载入jiebaR包
library(wordcloud2)#载入词云2包
data<-readLines("企业名称.txt",encoding="UTF-8")#读入txt格式文本
wk<-worker()#设置函数简称
data1<-segment(data,wk)#开始分词
data2<-freq(data1)#统计关键词出现的频次
data2<-data[nchar(data2)>1]#过滤掉仅一个字的关键词，这种用处不大
data3<-data.frame(data3)#数据表转化为数据框
data3<-data3[order(data3$freq,decreasing=TRUE)#关键词按频次从高到低排序
data4<-data3[1:300,]#只要前面300个关键词
data4<-data4[-1:-6,]#前面6行关键词是干扰数据，去掉
wordcloud2(data4,size = 1,fontFamily = '微软雅黑',color = 'random-light')#词云2画图

     2.部分关键代码对应结果：

 过滤一些干扰关键词之后，出现的最终的数据结果：

 

 然后可以画图了，对照我给出的输出结果，大家容易知道每一步输出应该是什么样。

 二、知其然，更知其所以然

两个包对应的函数原理讲解：

1.jiebaR包

jiebaR包主要应用函数：segment(code, jiebar, mod = NULL)

code    A Chinese sentence or the path of a text file.  #code对应中文语句或者文本文件

jiebar    jiebaR Worker.  #jiebar对应执行函数，主要用worker()

worker()具体参数如下：（可以执性默认参数）

worker(type = "mix", dict = DICTPATH, hmm = HMMPATH,
  user = USERPATH, idf = IDFPATH, stop_word = STOPPATH, write = T,
  qmax = 20, topn = 5, encoding = "UTF-8", detect = T,
  symbol = F, lines = 1e+05, output = NULL, bylines = F,
  user_weight = "max")

2.wordcloud2包

这个真的很好用，也容易理解

wordcloud2(data, size = 1, minSize = 0, gridSize =  0,
    fontFamily = 'Segoe UI', fontWeight = 'bold',
    color = 'random-dark', backgroundColor = "white",
    minRotation = -pi/4, maxRotation = pi/4, shuffle = TRUE,
    rotateRatio = 0.4, shape = 'circle', ellipticity = 0.65,
    widgetsize = NULL, figPath = NULL, hoverFunction = NULL)

参数一堆，实际上主要就是数据框（data）、尺寸（size）、字体（ fontFamily）、颜色（color）、形状（shape），按照需要进行设置即可。

三、注意事项

1.如果你用的是Rstudio，记得在Tools-Global Options-code-saving-Default text encoding将格式改为UTF-8，这样中文才不会变成乱码；

2.刚刚分出来的关键词是要处理的，不能拿来就用，这里要耐心。

以上是和大家分享的词云的用法，如果实际操作有困难，可以给我留言。