文本分析 wordcloud+jieba

1.文本分析

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',encoding='utf-8').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='STXINWEI.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('wordcloud4.png')

从分析结果可以看出，有些词如‘怎么’，‘那里’，‘不是’显得意义不大，需要剔除。

2.去除文本中的停用词

from wordcloud import WordCloud
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
import jieba
#这个只需要在源代码中加入一个语句即可
import sys
stopwords_path = 'chineseStopWords' # 停用词词表
jieba.add_word('唐三藏')
#添加的自定义中文语句的代码在这里
text = open('xyj.txt',encoding='utf-8').read()
def jiebaclearText(text):
    mywordlist = []
    seg_list = jieba.cut(text, cut_all=False)
    liststr="/ ".join(seg_list)
    f_stop_text = open('chineseStopWords.txt',encoding='utf-8').read()
    f_stop_seg_list=f_stop_text.split('\n')
    for myword in liststr.split('/'):
        if not(myword.strip() in f_stop_seg_list) and len(myword.strip())>1:
            mywordlist.append(myword)
    return ''.join(mywordlist)

text1 = jiebaclearText(text)
mask = np.array(Image.open("black_mask.png"))
wc = WordCloud(mask=mask, font_path='STXINWEI.TTF', mode='RGBA', background_color=None).generate(text1)
#显示词云
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()
#保存到文件
wc.to_file('wordcloud4.png')

3.wordcloud.WordCloud()的参数

font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = ‘黑体.ttf’
width : int (default=400) //输出的画布宽度，默认为400像素
height : int (default=200) //输出的画布高度，默认为200像素
prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread(‘读取一张图片.png’)，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。
scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
min_font_size : int (default=4) //显示的最小的字体大小
font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。
max_words : number (default=200) //要显示的词的最大个数
stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
background_color : color value (default=”black”) //背景颜色，如background_color=‘white’,背景颜色为白色。
max_font_size : int or None (default=None) //显示的最大的字体大小
mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。
relative_scaling : float (default=.5) //词频和字体大小的关联性
color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func
regexp : string or None (optional) //使用正则表达式分隔输入的文本
collocations : bool, default=True //是否包括两个词的搭配
colormap : string or matplotlib colormap, default=”viridis” //给每个单词随机分配颜色，若指定color_func，则忽略该方法。
fit_words(frequencies) //根据词频生成词云
generate(text) //根据文本生成词云
generate_from_frequencies(frequencies[, …]) //根据词频生成词云
generate_from_text(text) //根据文本生成词云
process_text(text) //将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）
recolor([random_state, color_func, colormap]) //对现有输出重新着色。重新上色会比重新生成整个词云快很多。
to_array() //转化为 numpy array
to_file(filename) //输出到文件

参考原文：https://blog.csdn.net/qq_34696236/article/details/80536783
参考原文：https://blog.csdn.net/fontthrone/article/details/72782499
参考文章：https://blog.csdn.net/kun1280437633/article/details/89474284