新技能 get —— 使用 python 生成词云

什么是词云（word cloud）呢？词云又叫文字云，是对文本数据中出现频率较高的“关键词”在视觉上的突出呈现，形成关键词的渲染形成类似云一样的彩色图片，从而一眼就可以领略文本数据的主要表达意思。

0. 常见词云生成工具

从技术上来看，词云是一种有趣的数据可视化方法，互联网上有很多的现成的工具：

• Wordle是一个用于从文本生成词云图而提供的游戏工具
• Tagxedo 可以在线制作个性化词云
• Tagul 是一个 Web 服务，同样可以创建华丽的词云
• Tagcrowd 还可以输入web的url，直接生成某个网页的词云
  ……

1. 库的准备

• jieba
• matplotlib
• wordcloud

2. 10 行代代码

#coding: UTF-8
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt

text_from_file = open('文件.txt', 'rb').read()
wordlist = jieba.cut(text_from_file, cut_all=True)           # 首先使用 jieba 中文分词工具进行分词
wordlist_space_split = ' '.join(wordlist)
my_wordcloud = WordCloud().generate(wordlist_space_split)

plt.imshow(my_wordcloud)            # 以图片的形式显示词云
plt.axis('off')                     # 关闭坐标轴
plt.show()

刚开始运行这十行代码的时候，只显式了若干彩色的小矩形框，中文词语显式不出来，以为是万恶的 UTF8 问题，debug一下，发现 print 结巴分词的结果是可以显示中文的，那就是 wordcloud 生成词语的字体库问题了。开源的好处来了，直接进入wordcloud.py 的源码，找字体库相关的代码：

FONT_PATH = os.environ.get("FONT_PATH", os.path.join(os.path.dirname(__file__), "DroidSansMono.ttf"))

wordcloud 默认使用了DroidSansMono.ttf 字体库，改一下换成一个支持中文的ttf 字库（比如simsun.ttc，常规-宋体）， 重新运行一下这十行代码，就可以了。