图片来自网络所谓“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,使浏览网页者只要一眼扫过文本就可以领略文本的主旨。
环境准备python -m pip install wordclud
python -m pip install matplotlib
python -m pip install jieba
在Windows上,如无法成功安装,可使用已经编译好的二进制包,下载安装
wordcludPython用于生成词云的库。
wordclud 官方文档
属性简述font_path字体路径,做中文词云必须设置字体,否则无法显示
width输出的画布宽度,默认为400像素
height输出的画布高度,默认为200像素
mask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
min_font_size显示的最小的字体大小
max_font_size显示的最大的字体大小
max_words要显示的词的最大个数,默认200
scale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
color_func生成新颜色的函数,如果为空,则使用 self.color_fun
prefer_horizontal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 )
stopwords设置需要屏蔽的词,如果为空,则使用内置的STOPWORDS
font_step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,默认1
background_color背景颜色
relative_scaling词频和字体大小的关联性,默认0.5
mode当参数为“RGBA”并且background_color不为空时,背景为透,默认“RGB”
regexp使用正则表达式分隔输入的文本
collocations是否包括两个词的搭配,默认True
colormap给每个单词随机分配颜色,若指定color_func,则忽略该方法
matplotlib一个Python 2D绘图库。Matplotlib试图让简单易事的事情成为可能。只需几行代码即可生成绘图,直方图,功率谱,条形图,错误图,散点图等,该库最常用于Python数据分析的可视化。
官方文档
最小示例from wordcloud import WordCloud
import matplotlib.pyplot as plt
with open("野性的呼唤.txt", encoding="utf-8") as file:
word_cloud = WordCloud().generate(file.read())
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标轴
plt.show()
interpolation 参数的用法
中文词云wordcloud 对中文分词支持不足,因此需要配合jieba分词库使用from wordcloud import WordCloud
import matplotlib.pyplot as plt
with open("fanrenxiuxian.txt", encoding="gbk") as file:
word_cloud = WordCloud(font_path="c:\windows\Fonts\simhei.ttf",
background_color="white",
max_words=200,
max_font_size=100,
width=1000,
height=860).generate(file.read())
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标尺寸
plt.show()
添加图片背景效果from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
from matplotlib.image import imread
import matplotlib.pyplot as plt
back_img = imread("timg.jpg")
img_colors = ImageColorGenerator(back_img)
with open("fanrenxiuxian.txt", encoding="gbk") as file:
word_cloud = WordCloud(font_path="c:\windows\Fonts\simhei.ttf",
background_color="white",
max_words=200,
max_font_size=100,
width=1920,
mask=back_img,
height=1080).generate(file.read())
word_cloud.recolor(color_func=img_colors) # 替换默认的字体颜色
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标尺寸
plt.show()
扩展:将图片加载的几种方法PIL.Image.open
scipy.misc.imread
skimage.io.imread
cv2.imread
matplotlib.image.imread
jieba
特点支持三种分词模式:精确模式,试图将句子最精确地切开,适合文本分析;
全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词
支持繁体分词
支持自定义词典
MIT 授权协议
简单示例import jieba
with open("fanrenxiuxian.txt", 'r', encoding="gbk") as file:
# jieba.enable_parallel(4) 并行运算,类unix系统,Windows不支持
seg_list = jieba.cut(file.read(), cut_all=False)
print("/".join(seg_list))
提取关键词import jieba.analyse
# TF-IDF算法关键词抽取
with open("fanrenxiuxian.txt", 'r', encoding="gbk") as file:
jieba.analyse.set_stop_words('stopwords.txt')
tags = jieba.analyse.extract_tags(file.read(), 100)
print(tags)
中文词云实例
网络上关于中文词云的博客资料99.9%是对wordcloud官网示例的翻译,我要说的是官方示例基本就是个大坑,不知道是不太放心上还是本身就是临时工lowB程序员写的。而国内的博主习惯了粘贴复制,已经丧失了独立思考的能力,不假思索的就照搬,反正我是被坑了,用官方示例将一部《凡人修仙传》在Windows上单线程生成词云花了300多秒,而我经过仔细阅读jieba库和wordcloud库的API后,发现根本就不是官网示例那么个写法,经过我重新改造后,只需要大概60秒就能生成《凡人修仙传》的词云。
首先我们进入wordcloud文档,找到 create wordcloud with chinese 这个示例,查看一下官方示例,代码我这里就不贴了,点击链接可直接跳转第一种写法
我们结合jieba库,修改词云代码。这里使用WordCloud的stopwords参数加入停止词,而不是像官方示例那样去做遍历筛选停止词,特别是写出if not (myword.strip() in f_stop_seg_list) and len(myword.strip()) > 1:这种低性能的代码,就算是遍历, len(myword.strip()) > 1也应放在最前面去判断,而不是把停止词放在最前面去判断,这样大大的增加了时间复杂度。from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
from matplotlib.image import imread
import matplotlib.pyplot as plt
import jieba, time
def get_stopwords():
with open("stopwords.txt", encoding='utf-8') as f_stop:
return f_stop.read().splitlines()
back_img = imread("timg.jpg")
img_colors = ImageColorGenerator(back_img)
with open("fanrenxiuxian.txt", encoding="gbk") as file:
stop_words = get_stopwords() # 获取停止词列表
seg_list = jieba.cut(file.read(), cut_all=False) # 返回一个生成器
cut_list = " ".join(seg_list)
word_cloud = WordCloud(font_path="c:\windows\Fonts\simhei.ttf",
background_color="white",
max_words=1000,
max_font_size=100,
width=1920,
stopwords=stop_words,
mask=back_img,
height=1080).generate(cut_list)
word_cloud.recolor(color_func=img_colors) # 替换默认的字体颜色
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标尺寸
plt.show()第二种写法
这里的第二种写法基本就官方示例的写法,只是略微调整了筛选停止词时的判断条件的顺序from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
from matplotlib.image import imread
import matplotlib.pyplot as plt
import jieba, time
def get_stopwords():
with open("stopwords.txt", encoding='utf-8') as f_stop:
return f_stop.read().splitlines()
back_img = imread("timg.jpg")
img_colors = ImageColorGenerator(back_img)
with open("fanrenxiuxian.txt", encoding="gbk") as file:
stop_words = get_stopwords() # 获取停止词列表
seg_list = jieba.cut(file.read(), cut_all=False) # 返回一个生成器
cut_list = "/".join(seg_list).split("/")
content_list = []
for word in cut_list:
if len(word.strip()) > 1 and not (word.strip() in stop_words):
content_list.append(word)
word_cloud = WordCloud(font_path="c:\windows\Fonts\simhei.ttf",
background_color="white",
max_words=200,
max_font_size=100,
width=1920,
mask=back_img,
height=1080).generate(' '.join(content_list))
word_cloud.recolor(color_func=img_colors) # 替换默认的字体颜色
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标尺寸
plt.show()第三种写法,最终版
这种是我推荐的做法。整个文本的分词包括关键词提取,我们都直接交给jieba库去做就行了,WordCloud库仅仅根据jieba库返回的关键词以及权重去生成词云图片就行。这里主要用到WordCloud库的generate_from_frequencies这个函数,API文档给出的说明是Create a word_cloud from words and frequencies.,有了这个API,不知道官方中文词云示例为什么还写成那样,难道是自己的API都不清楚吗?令人费解from wordcloud import WordCloud
from wordcloud import ImageColorGenerator
from matplotlib.image import imread
import matplotlib.pyplot as plt
import jieba.analyse
back_img = imread("timg.jpg")
img_colors = ImageColorGenerator(back_img)
with open("fanrenxiuxian.txt", encoding="gbk") as file:
jieba.analyse.set_stop_words('stopwords.txt') # 设置止词列表
tags = jieba.analyse.extract_tags(file.read(), 1000, withWeight=True)
data = {item[0]: item[1] for item in tags}
word_cloud = WordCloud(font_path="c:\windows\Fonts\simhei.ttf",
background_color="white",
max_words=1000,
max_font_size=100,
width=1920,
mask=back_img,
height=1080).generate_from_frequencies(data)
word_cloud.recolor(color_func=img_colors) # 替换默认的字体颜色
plt.figure() # 创建一个图形实例
plt.imshow(word_cloud, interpolation='bilinear')
plt.axis("off") # 不显示坐标尺寸
plt.show()
简单说一下这里的stop_words停止词其实就是需要被过滤掉的词,比如一篇文章中肯定有无数个“的”、“了”之类的对于词频而言无意义词,根据具体需求,一些副词、逻辑连接词之类的也都要过滤掉,否则就会影响准确性。
由于我这里停止词没有单独去添加,而是用了一个通用的停止词表,导致最终生成的词云不是特别准确,这个就要大家自己去小心调试了
关注个人公众号:编程之路从0到1编程之路从0到1