原创教程：手把手教你做Python可视化词云项目（一）

 

 

一、什么是中文分词

我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，显得相对简单。但是中文比之英文要复杂得多、困难得多。中文分词是中文文本处理的一个基础步骤，也是中文人机自然语言交互的基础模块。不同于英文的是，中文句子中没有词的界限，因此在进行中文自然语言处理时，通常需要先进行分词，分词效果将直接影响词性、句法等模块的效果。

比如“路不通行不得在此小便”，如果加上标点符号可以变为“路不通行，不得在此小便。”或者“路不通，行不得，在此小便。”如果使用计算机系统进行分词，它可能会分词为“路”，“不”，“通行”，“不得”，“在”，“此”，“小便”，“路”，“不”，“通行”，“不得”，“在”，“此”，“小便”等。它们的含义与真实原文含义会有偏差。

 

中文分词的工具或者插件比较多，jieba结巴分词是Python库中的一个优秀分词工具。它基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)；采用了动态规划查找最大概率路径，找出基于词频的最大切分组合；对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法。它的网址为https://github.com/yanyiwu/cppjieba。

二、什么是词云

词云就是对网络文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，从而过滤掉大量的文本信息，使浏览者只要一眼扫过文本就可以领略文本的主旨。词云是数据可视化的一种形式，根据关键词的出现频率而生成的一幅图像，如图1-2。

 

图1- 2 一款词云效果图

三、一些词云项目

WordItOut词云图。它操作简单，进入网站后只需要输入一段文本，然后就可以生成各种样式的“云”文字。用户可以根据自己的需要对WordItOut进行再设计，比如颜色、字符、字体、背景、文字位置等，保存下载后，可以复制。但是WordItOut是不识别中文的，如果输入中英混合的文本，保存后只显示英文字体，对于不懂英文的同学是比较痛苦的。它的网址为http://worditout.com/ 。

 

Tagxed词云图。它有几大优点：强大的导入功能(可导入网页、文字等)、自定义设置词云形状(这个真心好)、可导入想要的字体、颜色主题多(各种选择)等。最重要的是它支持中文。它的网址为http://www.tagxedo.com/。

 

WordArt词云图。WordArt 云可以自定义字体、词云的形状，颜色等，做出来的词云图很酷炫，为网站访问者提供良好的用户体验。它的网址为https://wordart.com/ 。

 

图悦。这款国内的在线词频分析工具，在长文本自动分词并制作词云方面还是很出众的，而且也容易上手，还可以自定义定制图形模板：标准、微信、地图等，切换自如，用起来体验很不错。它的网址为http://www.picdata.cn/ 。

 

BDP个人版词云图。这是一款数据可视化工具，除了词云，还有很多其他酷炫的图表，如GIS地图、漏斗图等。BDP很容易上手，直接把词语这个数据拉到维度栏，再选择词云就瞬间呈现词云图表，BDP会自动算好词频，你可以设置颜色，快速实现词云可视化。它的网址为https://me.bdp.cn/home.html 。

 

wordcloud词云库。它是优秀的词云展示第三方库，词云以词语为基本单位，更加直观和艺术的展示文本。它的网址为https://github.com/amueller/word_cloud