正文

wordcloud：让你的词语变成黑云

IP云
IP云V管理员/4 阅读
11/29
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

楔子

什么是词云？在网络上我们经常可以看到一张图片，上面有一大堆大小不一的文字，便是词云。词云一般是根据输入的大量词语生成的，如果某个词语出现的次数越多，那么相应的大小就会越大。我们后面演示的时候就知道了

安装

python中有一个专门用来生成词云的模块：wordcloud，如果在linux上直接 pip install wordcloud 即可，但是在Windows上会失败，我们可以去 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 这个官网下载合适的版本，然后安装即可。

生成词云

我们词云的主要实现是用过 wordcloud 模块中的 WordCloud 类实现的，我们先来了解一下这个 WordCloud 类。 

# 导入模块

from wordcloud import WordCloud

# 准备文本数据，是一个字符串，单词之间用空格分割

sentence = "hello satori hello mashiro hello satori"

# 创建词云对象

wc = WordCloud()

# 根据文本生成词云

wc.generate(sentence)

# 保存为图片

wc.to_file("1.png")

我们看到单词就显示在了图片上，如果单词一多就像天空的云彩一样漂浮着，并且如果单词出现的频率越高，那么该单词在图片上大小就越大。

虽然词云生成了，但是风格是固定的，我们可不可以调整呢，显然是可以的。

可以向WordCloud里面传入参数来调整风格，我们先看看这个类里面都支持哪些参数，后面会演示

  • width：词云的宽，默认是400像素
  • height：词云的高，默认是200像素
  • background_color：词云的背景颜色，默认是黑色
  • font_path：生成的词云所使用的字体，传入一个字体所在的路径
  • mask：词云背景图片，接收一个numpy中的数组。可以使用PIL或者cv2读取图片，然后生成数组
  • stopwords：要屏蔽的词语，接收一个集合，生成词云的时候会忽略掉屏蔽的词语
  • max_font_size：字体的最大大小，默认为None
  • min_font_size：字体的最小大小，默认为None
  • max_words：要显示的词的最大个数，默认为200。比如我们的文本数据有10000个单词不重复单词，肯定不可能全部显示，而是按照出现的频率高低排序，选择出现频率高的N个单词，默认是200个
  • contour_width：轮廓粗细
  • contour_color：轮廓颜色
  • scale：用来控制生成的图片大小的，默认为1。如果我们改成了10，那么生成的图片大小会扩大10倍。这个参数不用管，没太大用，默认为1即可

我们来演示一下这些参数 

from wordcloud import WordCloud

sentence = "She is neither heterosexual nor homosexual  She is sapiosexual"

wc = WordCloud(

    width=500,  # 设置宽度为500px

    height=300,  # 设置高度为300px

    background_color='pink',  # 设置背景为粉色

    stopwords={"heterosexual", "homosexual"},  # 设置禁用词，在生成的词云中不会出现set集合中的词

    max_font_size=100,  # 设置最大的字体大小，所有词都不会超过100px

    min_font_size=10,  # 设置最小的字体大小，所有词都会超过10px

    max_words=10  # 最多生成10个词，当然这里单词比较少，看不出来什么

)

wc.generate(sentence)

wc.to_file("2.png")

我们看到图片变宽了、变高了，背景变成粉色了，并且也没有出现我们禁用的单词

但是这个图片是正方形的，而我们平常见到词云是有形状的，可以是一个圆形、或者一个人的形状等等。显然那是根据图片生成的，而wordcloud也支持我们这么做，下面来演示一下 

from wordcloud import WordCloud

from PIL import Image

import numpy as np

# 一篇英文文章

sentence = open("1.txt").read()

# 加载一张图片，转化成numpy中的数组

mask = np.array(Image.open("哆啦A梦.png"))

# 传入mask

wc = WordCloud(mask=mask)

wc.generate(sentence)

wc.to_file("3.png")

下面是我们原始的图片，"多啦A梦.png"

会自动将周围的白色区域给忽略掉，因此选择的图片建议最好是白底的。

我们目前生成词云所使用的单词都是英文的，那中文可不可以呢？我们来看一下 

from wordcloud import WordCloud

wc = WordCloud()

wc.generate("古明地觉真的是世界上最可爱的美少女")

wc.to_file("4.png")

显然默认是不支持的，显示的是一个个的矩形。那怎么解决呢，很简单，指定一个支持中文的字体就可以了 

from wordcloud import WordCloud

wc = WordCloud(font_path="msyh.ttc")

wc.generate("古明地觉真的是世界上最可爱的美少女")

wc.to_file("5.png")

但是显示的是一整句话，很正常，因为wordcloud默认是以空格分隔单词的，所以对于英文我们不需要做什么处理，因为英文单词之间就是以空格分隔的。但是中文，则是所有的汉字都连在一起，因此整体被当成了一个词。因此这个时候推荐使用jieba分词，将单词进行分隔，但是jieba怎么使用我们就不细致讲解了，我的其它随笔里面有介绍。

这里以出师表为例，演示一下 

from wordcloud import WordCloud

import jieba

sentence = open("1.txt").read()

# 分词得到列表，手动使用空格拼接

sentence = " ".join(jieba.cut(sentence))

wc = WordCloud(font_path="msyh.ttc")

wc.generate(sentence)

wc.to_file("6.png")

相关阅读

目录[+]