【python】Word Cloud

---

1 准备工作

1.1 导入必要的库

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

缺什么 pip install 什么，比如 jieba 和 wordcloud

1.2 jieba 的介绍

jieba 是一个非常好用的中文工具，是以分词起家的，但是功能比分词要强大很多。
jieba.cut 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)。

jieba.cut 方法接受三个输入参数:

• 需要分词的字符串
• cut_all 参数用来控制是否采用全模式，一般情况下，cut_all为False
• HMM 参数用来控制是否使用 HMM 模型

list0 = jieba.cut('我原来是一名建筑工人，后来喜欢上了 Python 语言', cut_all=True)
print(list0)
print(type(list0))
print("全模式:",list(list0))

list1 = jieba.cut('我原来是一名建筑工人，后来喜欢上了 Python 语言', cut_all=False)
print("精准模式:",list(list1))

output

<generator object Tokenizer.cut at 0x000002083CE81F10>
<class 'generator'>
全模式: ['我', '原来', '是', '一名', '建筑', '建筑工人', '工人', '', '', '后来', '喜欢', '上', '了', '', 'Python', '', '语言']
精准模式: ['我', '原来', '是', '一名', '建筑工人', '，', '后来', '喜欢', '上', '了', ' ', 'Python', ' ', '语言']

可以看到全模式有点咬文嚼字，婆婆妈妈，把 建筑工人 解读为建筑、建筑工人、工人，哈哈哈！

1.3 材料的准备

1）文本准备
准备好一份自己需要分析的文本材料，我这里节选的是卡夫卡的变形记！

然后复制保存在 2.txt 中

2）图片的准备
选择的是《火影忍者》日漫中人气较高的角色，宇智波鼬！哈哈，小时候喜欢“好人阵营”，长大了慢慢会欣赏所谓的 “反派”！

2 词频统计

获得到文本时，需要对文本进行文本预处理、文本分词以及词频统计！
参考 python读取中文txt文本的方法

#coding:utf-8
data_txt = open(r"C:\Users\13663\Desktop\2.txt",encoding='gbk').read()

#文本预处理
pattern = re.compile(u'\t|\n|\.|-|:|;|\)|\(|\?|"')
data_txt = re.sub(pattern, '', data_txt)

#文本分词
cut_txt = jieba.cut(data_txt)
object_list=[]
remove_words = [u"的",u'对',u'等',u'能',u'都',u'。',u' ',u'、',u'中',u'在',u'了',u'，',u'“',u'”',u'一个',u'是']

#词频统计
for word in cut_txt:
    if word not in remove_words:
        object_list.append(word)

word_counts = collections.Counter(object_list)

这里 remove_words 我没有修改参考文章中的，就是排除一些高频的无关的词，比如 的

3 Word Cloud

wordcloud 把词云当作一个对象，它可以将文本中词语出现的频率作为一个参数绘制词云，而词云的大小、颜色、形状等都是可以设定的。

WordCloud方法的参数如下：

• width：指定词云对象生成的图片的宽度(默认为200px)
• height：指定词云对象生成的图片的高度(默认为400px)
• min_font_size：指定词云中字体最小字号，默认为4
• max_font_size：指定词云中字体最大字号
• font_step：指定词云中字体之间的间隔，默认为1
• font_path：指定字体文件路径
• max_words：指定词云中能显示的最多单词数，默认为200
• stop_words：指定在词云中不显示的单词列表
• background_color：指定词云图片的背景颜色，默认为黑色
• mask：定义词频背景

说明一下：如果设置了mask参数，那么width、height参数将无效

word_cloud 生成词云有两个方法。from text 和 from frequencies 。即文本生成和频率生成，每一个都有对应的函数可以使用，如下：

• wd.generate(txt) 向WordCloud 对象w中加载文本txt
• wd.generate_from_frequencies(word_counts) 向WordCloud 对象wd中加载词语频率

#定义词频背景
background_image = np.array(Image.open(r'C:\Users\13663\Desktop\1.png'))
font_path=r"C:\Users\13663\Desktop\simkai.ttf"#这里我用的是华文行楷，去控制面板字体里面找你想要的字体即可

wd = WordCloud(
    font_path=font_path,  #设置字体格式，不然会乱码
    background_color="white",  #设置背景颜色
    mask=background_image   #设置背景图
).generate_from_frequencies(word_counts)

#保存词云图
wd.to_file(r'C:\Users\13663\Desktop\2.png')
#显示词云图
plt.imshow(wd,interpolation="bilinear")
plt.axis("off")
plt.show()

哈哈，当然，你也可以把一些你觉得无关紧要的词去掉，统计更为有意义的信息！从这个图中，我们至少可以看出，文章以第三人称描述的，哈哈哈哈哈哈！

当然英文也完全OK！