python中文词云生成_Python 词云生成

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