4.Python实战小项目—用Python轻松创建词云图

一·摘要

词云图，又称为文本云或标签云，是一种数据可视化技术。它通过将文本数据中的词汇以视觉化的形式展示出来，帮助人们快速理解文本的主题和关键信息。在词云图中，不同的词汇会以不同的大小、颜色和字体显示，这些视觉元素通常与词汇在文本中出现的频率或重要性相关联。

词云图的基本原理是对文本进行分词处理，然后统计每个词汇的频率或权重。接着，根据这些频率或权重来调整词汇在图中的大小、颜色和位置等视觉属性。这样可以使得出现频率较高或较重要的词汇更加突出，而出现频率较低或较不重要的词汇则相对较小或较不明显。

二·个人简介

🏘️🏘️个人主页：以山河作礼。
🎖️🎖️:Python领域新星创作者，CSDN实力新星认证，CSDN内容合伙人，阿里云社区专家博主，新星计划导师，在职数据分析师。

💕💕悲索之人烈焰加身，堕落者不可饶恕。永恒燃烧的羽翼，带我脱离凡间的沉沦。

🐘 希望大家能持续支持，共同向前迈进！😁 如果您觉得文章有价值， 欢迎留言💬，点赞👍，收藏🔖并关注我们➕🤝。 🪐💫💫💫💫💫💫💫热门专栏💫💫💫💫💫💫💫🪐

类型	专栏
Python基础	Python基础入门—详解版
Python进阶	Python基础入门—模块版
Python高级	Python网络爬虫从入门到精通🔥🔥🔥
Web全栈开发	Django基础入门
Web全栈开发	HTML与CSS基础入门
Web全栈开发	JavaScript基础入门
Python数据分析	Python数据分析项目🔥🔥
机器学习	机器学习算法🔥🔥
人工智能	人工智能

三·原理

词云图的原理是通过统计文本数据中词汇的频率，并将这些频率以视觉化的形式表现出来。

1. 需要对原始文本进行预处理，包括去除标点符号、停用词过滤等，以确保只保留有意义的词汇。然后，使用分词工具（如jieba库）对处理后的文本进行分词，并统计每个词出现的频率。
2. 利用词频数据，使用特定的算法（如字体大小和颜色渐变）来生成词云图。在这一步中，可以选择不同的形状模板，使得词云图呈现出特定的外形。例如，可以使用WordCloud库来创建词云对象，并设置不同的参数来绘制不同形状、颜色和尺寸的词云图。
3. 为了提高词云图的可读性和美观性，可以对词汇的布局、颜色和字体进行调整。这样可以使得重要的关键词更加突出，同时也增加了视觉上的吸引力。最终，将优化后的词云图以图片的形式展示出来，使得人们可以直观地看到文本数据中的重点信息。

四·流程

制作Python文本数据可视化的“词云”图的详细步骤如下：

1. 安装必要库：需要安装wordcloud库，这是专门用于生成词云图的Python库。同时，如果处理的是中文文本，还需要安装jieba库进行中文分词。
2. 导入库和模块：在Python脚本中导入wordcloud、numpy（用于数值计算）和jieba（用于中文分词）等库。
3. 准备文本数据：收集并准备需要制作词云图的文本数据。如果是中文文本，使用jieba库进行分词处理，以便更好地统计词频。
4. 文本清洗：对文本数据进行清洗，包括去除标点符号、停用词过滤等，以确保只保留有意义的词汇。
5. 统计词频：统计清洗后文本中每个词的出现频率。这通常是通过创建一个字典来实现的，其中键是词汇，值是它们出现的次数。
6. 生成词云图：使用wordcloud库中的WordCloud类来生成词云图。可以通过设置不同的参数来自定义词云图的形状、颜色和尺寸等。
7. 显示或保存词云图：最后，可以将生成的词云图显示在屏幕上或者保存为图片文件，以便于进一步的分析和展示。

五·实战演示

5.1 情景回顾

为了将10家上市公司的“主要业务”词频文件批量生成词云图，我们需要导入所需的库。这些库包括wordcloud（用于生成词云图）、numpy（用于数值计算）和jieba（用于中文分词）。如果这些库尚未安装，可以使用pip install命令进行安装。

接下来，我们需要准备包含“主要业务”描述的文本数据，并进行必要的预处理，如去除标点符号、过滤停用词等。然后，我们使用jieba库对中文文本进行分词处理，以便更好地统计词频。

在完成文本清洗和分词后，我们创建一个字典来统计每个词的出现频率。这将成为生成词云图的关键数据。

有了词频数据后，我们使用wordcloud库中的WordCloud类来生成词云图。在这个过程中，我们可以设置不同的参数来自定义词云图的形状、颜色和尺寸等，使其更符合我们的需求。

最后，我们将生成的词云图显示在屏幕上或者保存为图片文件，以便于进一步的分析和展示。这样，通过查看词云图，我们就可以大致了解每家公司的主要业务是什么，同时在PPT中展示也显得更加高大上。

5.2 导入相关模块

import numpy as np # numpy数据处理库
import wordcloud # 词云库
from PIL import Image # 图像处理库，用于读取背景图片
import matplotlib.pyplot as plt # 图像展示库，以便在notebook中显示图片
from openpyxl import load_workbook #读取词频Excel文件
import os #获取词频Excel文件路径

然后获取所有的Excel词频表路径，以便后续逐一读取，并传入词云库生成词云图。再定义词频背景图，np.array(Image.open())打开图片后转为数组，存入maskImage变量。需要注意词频背景图中想要的形状的背景需要是白色的，不然无法得到想要的词云图形状。比如如下背景图片，左边的图片因为猴子的背景不是白色，做出的词云图会占满整个图片，即是一个矩形的词云图；右边的图片中，猴子的背景是白色的，做出的词云图看起来就是一只猴子的形状。

5.3 代码示例

然后用for循环遍历所有待处理的Excel文件，逐个打开，提取其中的词和词频，存入字典wordFreq。然后通过wordcloud.WordCloud()定义词云样式。这个函数有很多参数，具体如下。我们只需要关注常用的几个即可，其它可作为了解。

wordcloud.WordCloud(
font_path=None, 
width=400, 
height=200, 
margin=2,
ranks_only=None,
prefer_horizontal=0.9,
mask=None, scale=1, 
color_func=None,
max_words=200, 
min_font_size=4, 
stopwords=None, 
random_state=None, 
background_color='black', 
max_font_size=None, 
font_step=1, 
mode='RGB',
relative_scaling='auto',
regexp=None,
collocations=True, 
colormap=None, 
normalize_plurals=True, 
contour_width=0, 
contour_color='black', 
repeat=False,
'include_numbers=False', 
'min_word_length=0', 
'collocation_threshold=30')

这些参数的含义如下：

font_path: 字体文件的路径。
width: 生成的词云图的宽度。
height: 生成的词云图的高度。
margin: 词云图的边距。
ranks_only: 是否只使用词汇的频率排名。
prefer_horizontal: 词汇的水平显示偏好。
mask: 用于定制词云图形状的蒙版图像。
scale: 词汇的大小范围。
color_func: 自定义颜色函数。
max_words: 词云图中最大的词汇数量。
min_font_size: 词云图中最小的字体大小。
stopwords: 需要忽略的停用词列表。
random_state: 随机状态，用于控制随机性。
background_color: 词云图的背景颜色。
max_font_size: 词云图中最大的字体大小。
font_step: 字体大小的步长。
mode: 颜色模式，默认为’RGB’。
relative_scaling: 词汇大小的相对缩放方式。
regexp: 用于过滤词汇的正则表达式。
collocations: 是否启用搭配（短语）的提取。
colormap: 用于映射词汇颜色的颜色映射表。
normalize_plurals: 是否将复数形式归一化为单数形式。
contour_width: 轮廓线的宽度。
contour_color: 轮廓线的颜色。
repeat: 是否重复绘制词汇以增强视觉效果。
include_numbers: 是否包含数字。
min_word_length: 最小词汇长度。
collocation_threshold: 搭配阈值，用于确定哪些词汇可以组成搭配。

此例中，我们调用wordcloud时，设定了字体为“黑体”，使用了背景图为绘图模板，设置了最多显示词数为500，字号最大为100。然后使用generate_from_frequencies()从已有词频数据的字典中生成词云图。然后将词云图按公司名保存到指定路径（“词云图”文件夹）。最后用plt.imshow()在notebook中显示词云图。结果如下。

#将存好的Excel词频表读取成字典
path='词频'  #文件所在文件夹
files = [path+"\\"+i for i in os.listdir(path)] #获取文件夹下的文件名,并拼接完整路径
maskImage = np.array(Image.open('background.png')) # 定义词频背景图

for file in files:
    #将词频Excel文件读取为字典
    wb = load_workbook(file)
    ws = wb.active
    wordFreq = {}
    for i in range(2,ws.max_row+1):
        word = ws["A"+str(i)].value
        freq = ws["B"+str(i)].value
        wordFreq[word] = freq    
    
    #定义词云样式
    wc = wordcloud.WordCloud(
        font_path='C:/Windows/Fonts/simhei.ttf', # 设置字体
        mask= maskImage, # 设置背景图
        max_words=500, # 最多显示词数
        max_font_size=100) # 字号最大值
    
    #生成词云图
    wc.generate_from_frequencies(wordFreq) # 从字典生成词云
    #保存图片到指定文件夹
    wc.to_file("词云图\\{}.png".format(file.split("\\")[1][:4]))
    #在notebook中显示词云图
    plt.imshow(wc) # 显示词云
    plt.axis('off') # 关闭坐标轴
    plt.show() # 显示图像