python 词云库_Python数据可视化：词云库的讲解和如何制作词云

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

以下文章来源于仓储进化 ，作者 小无为

身边总是不经意间能看到词云的效果图。本章介绍python实现词云的方法。效果如下：

(词云--出现频率越多的词，字体越大 )

工具篇

1、安装可视化库

pip3 install matplotlib

( matplotlib 是专业的python可视化库，可用来生成各种各样的图表。也是二级考试里面推荐的可视化库。)

2、安装词云库， 用来生成词云图片信息的

pip3 install wordcloud

3、安装 “结巴” 库， 这个名字起的真接地气， 给开发者点个赞

pip3 install jieba

这个库用来解析中文，把一句话解析成一个个的词，

我们中文不像英文每个词之间有空格。需要根据语义分析拆分成词组

我们用《剑雨》的一段对话举例：

import jieba #引入结巴库

str='师傅，他为何说禅机已到,\

佛祖点化世人讲究机缘,\

禅机一过缘即灭矣,\

而禅机未到虽点亦不中

我愿化身石桥又是何意'

print(str)

# 解析拆分词组 lcut的方法

words = jieba.lcut(str)

print(words)

效果如下：

( 把完整的句子拆分成一个个的词，看着断断续续，可能这就是结巴的由来吧，【拆词】最难的这部分，结巴库都做好了，这也是python强大的原因吧，各式各样的库都有了 )

结巴库

网上下载txt格式的《西游记》,

下载完成后转换成utf-8格式再保存一下。

转化方法：记事本另存为的时候，选择编码格式UTF-8

稍微、稍微、稍微列一下涉及到的知识点

( 不要被吓到，不难，都是二级考试要求的内容 )

print的format的格式化输出

for 循环用法

文件的开打，读取，关闭，文件路径

数组，python不叫数组，叫list列表

python的字典类型 key:value,类似java的map类型或者json对象

准备工作：

西游记和python文件可放到一个目录，引用起来方便，直接文件名就 ok，不用写路径了，

拷贝一个中文字体库，放到同目录下，也是为了引入方便，在Windows的C:\Windows\Fonts里面，随便找一个中文字体，就行，否则生成的图片都是乱码， (也可以用绝对路径直接指定)

准备几张图片，词云支持按指定的图片形状显示，比如心形，五角星，汽包，或者人像等等，但要求图片是白色背景

format 格式化输出：

#列标题 format

print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率'))

{0:<5} ：

0 表示序号：第一个参数，第一列，

< 左对齐， > 右对齐

5 代表宽度

任务一：统计西游记里面出现频率最高的10个词：

后面为了方便，我们把这个叫主代码。

#引入结巴库

import jieba

#open 内置函数 不需要引用 直接使用

#开打文件西游记和python 文件放到同一个目录，可直接引用不需要路径

f = open('西游记.txt', 'r' ,encoding='utf-8' )

# 查看文件的编码格式

print('文件的编码格式:'+f.encoding)

#读取文件

txt = f.read()

#关闭文件，良好的习惯

f.close()

# 使用精确模式对文本进行分词

# 使用结巴库把西游拆分成一个个的词组

words = jieba.lcut(txt)

# 通过键值对的形式存储词语及其出现的次数

# 大括号表示 python的字典类型对应，

# 键值对 key:value1 ,类似java的map对象和list

counts = {}

chiyun = []

for word in words:

# == 1 单个词语不计算在内

if len(word) < 2 :

continue

else:

# 遍历所有词语，每出现一次其对应的值加 1

counts[word] = counts.get(word, 0) + 1

#将键值对转换成列表

items = list(counts.items())

# 根据词语出现的次数进行从大到小排序

items.sort(key=lambda x: x[1], reverse=True)

#列标题 format

print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率'))

#需要显示的范围 10即显示前10个，0到9

for i in range(10):

word, count = items[i]

print("{0:<5}{1:<8}{2:>5}".format(i+1,word, count))

效果如下：

行者 妥妥的第一主角。

我预期的师徒四人后，就应该有观音

我们看前20是否有观音，在主代码里的第39行代码for循环的范围改成20

for i in range(20):

还是没有观音， 放出前100,200,300 到500在看：

终于出现了，在349位，重复61次，

应该是有哪里问题，直觉判断不止61次重复

任务二：统计四个字重新次数

把上面主代码25行，改成小于4，即长度小于4个的词不统计

if  len(word) 

效果如下：

预知后事如何，请听下回分解，‘下回分解’排第二合理。

悟空每次打妖怪都要吹下牛，在洞口报个名：我是五百年前大闹天宫的齐天大圣，这两个词出现在前10 合理。

词云库

我们在梳理下流程：

注意下：结巴库不是必须，主要是用来把句子拆分成词，如果你已经有统计好的词组，可直接用词云显示。

试一个简单的：我们手工创建个词组，直接用词云显示出来。即绕开结巴库了

from wordcloud import WordCloud

# python的可视化库，也是二级考试推荐的可视化库

import matplotlib.pyplot as plt

str=['齐天大圣','大圣','大圣','八戒','嫦娥']

#数组里面添加内容

str.append('玉兔')

str.append('女儿国')

str.append('牛魔王')

str.append('大圣')

str.append('土地公公')

str.append('小神仙')

str.append('八戒')

print(str)

#join 函数 用斜杆拼接词组mask =maskph,

#这里一定要join拼接一下 转成字符串

text_cut = '/'.join(str)

#看一下连接后的样子

#关键点 text_cut 是词云要处理的内容

print(text_cut)

wordcloud = WordCloud( background_color='white',font_path = 'msyh.ttc', width=1000, height=860, margin=2).generate(text_cut)

# 显示图片

plt.imshow(wordcloud)

plt.axis('off')

plt.show()

可观察下效果图：主要join后的输出，用/拼接成了一个字符串：

效果图：

(大圣和八戒出现次数多，字体最大)

词云图

先把全代码放上，后面实例在解析：

这段可先略过，下面直接看效果图：

#引入结巴库

import jieba

#词云库

from wordcloud import WordCloud

# python的可视化库，也是二级考试推荐的可视化库

import matplotlib.pyplot as plt

from PIL import Image #处理图片的

#矩阵 好像也是协助处理图片的

import numpy as np

#open 内置函数 不需要引用 直接使用

#开打文件西游记和python 文件放到同一个目录，可直接引用不需要路径

f = open('西游记.txt', 'r' ,encoding='utf-8' )

# 查看文件的编码格式

print('文件的编码格式:'+f.encoding)

#读取文件

txt = f.read()

#关闭文件，良好的习惯

f.close()

# 使用精确模式对文本进行分词

# 使用结巴库把西游拆分成一个个的词组

words = jieba.lcut(txt)

# 通过键值对的形式存储词语及其出现的次数

# 大括号表示 python的字典类型对应，

# 键值对 key:value1 ,类似java的map对象和list

counts = {}

#数组对象 用来接收需要传递给词云的内容

chiyun = []

for word in words:

# == 1 单个词语不计算在内

if len(word) < 2 :

continue

else:

# 遍历所有词语，每出现一次其对应的值加 1

counts[word] = counts.get(word, 0) + 1

#将键值对转换成列表

items = list(counts.items())

# 根据词语出现的次数进行从大到小排序

items.sort(key=lambda x: x[1], reverse=True)

#列标题 format

print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率'))

#需要显示的范围 10即显示前10个，0到9

for i in range(80):

word, count = items[i]

print("{0:<5}{1:<8}{2:>5}".format(i+1,word, count))

chiyun.append(word)

#print(chiyun)

#加载图片信息

maskph = np.array(Image.open('山东舰航母.png'))

#join 函数 用斜杆拼接词组

text_cut = '/'.join(chiyun)

wordcloud = WordCloud(mask =maskph, background_color='white',font_path = 'msyh.ttc', width=1000, height=860, margin=2).generate(text_cut)

# 显示图片

plt.imshow(wordcloud)

plt.axis('off')

plt.show()

效果1：全部显示

即：结巴库处理好的词组，不做限制，全部送给词云显示：

显示二：限定内容显示

比如改成 只输出前20个词：(显示密度会稀好多)

即：结巴库处理好后，取前20个高频词传给词云显示：

( 这个二级教材里面没有哈 )

再试一下前20的 四个字的词：

本文分享 CSDN - 松鼠爱吃饼干。

如有侵权，请联系 support@oschina.cn 删除。

本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。