画词云首先需要安装wordcloud(生成词云)和jieba(中文分词)。
先来说说wordcloud的安装吧,真是一波三折。首先用pip install wordcloud出现错误,说需要安装Visual C++ 14.0。折腾半天安装好Visual C++后,还是不行,按网上指点,下载第三方包安装(https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud)。安装是成功了,可是在anaconda里导入的时候又出现了问题,说是"no module named wordcloud"。随后又折腾了各种方案,比如网上有人说重新安装pillow包,等等,均不可行。突发奇想,打开Pycharm试了试,导入成功了。这说明wordcloud包其实已经安装好了,只是anaconda不识别。最后,终于找到解决方案:在anaconda prompt里输入命令:conda install -c conda-forge wordcloud,即可安装成功(https://anaconda.org/conda-forge/wordcloud)。
再来看一下wordcloud的基本原理(摘自:http://www.bubuko.com/infodetail-2695943.html):
总的来说,wordcloud做的是三件事:
(1) 文本预处理
(2) 词频统计
(3) 将高频词以图片形式进行彩色渲染
下面用vanity fair这本小说来试一下画词云图。(wordcloud的一些参数介绍可参见:https://www.cnblogs.com/delav/articles/7837975.html)
from wordcloud import WordCloud, STOPWORDS from matplotlib import pyplot as plt fig,ax=plt.subplots() with open(r'...vanity fair.txt') as f: text=f.read() mycloudword=WordCloud(width=800, height=600, scale=1, margin=2, background_color='white', max_words=200, min_font_size=40, max_font_size=140, stopwords=STOPWORDS, random_state=50).generate(text) ax.imshow(mycloudword) ax.axis("off") plt.show() mycloudword.to_file(r"...vanityfair.png")
输出:
注:设置不同的random_state值会让字的分布不一样。
上面演示的是用英文做的词云,那么如果我们要用中文生成词云呢?这时候就要用到jieba了。
英文语料可以直接输入到wordcloud中,但是对于中文语料,仅仅用wordcloud不能直接生成中文词云图。这是因为英文单词以空格分隔,而中文的词与词之间一般没有字符分隔。因此,应用到中文语料上的时候,注意要先分好词,再用空格分隔连接成字符串,最后输入到wordcloud。
另外需要注意的是:需要下载中文字体到相应的文件夹,设置该字体路径为font_path。否则,如果设置的是英文字体,那么中文将显示为方框。
让我们用翻译版的名利场小说来做演示:
from wordcloud import WordCloud, STOPWORDS import jieba from matplotlib import pyplot as plt fig,ax=plt.subplots() with open(r'...名利场.txt','rb') as f: text=f.read() wsplit=jieba.cut(text) words="".join(wsplit) mycloudword=WordCloud(font_path=r'C:WindowsFontsmsyh.ttf', width=800, height=600, scale=1, margin=2, background_color='white', max_words=200, min_font_size=40, max_font_size=140, stopwords=STOPWORDS, random_state=50).generate(words) ax.imshow(mycloudword) ax.axis("off") plt.show() mycloudword.to_file(r"...vanityfair1.png")
输出:
接下来,我们把词云做成我们想要的形状。用pillow读取某张图片,转换成numpy array格式,并将其设置为mask(遮罩)。除图片全白的部分将不会被绘制,其余部分会用于绘制词云。
from wordcloud import WordCloud, STOPWORDS import jieba from PIL import Image import numpy as np from matplotlib import pyplot as plt fig,ax=plt.subplots() with open(r'...名利场.txt','rb') as f: text=f.read() wsplit=jieba.cut(text) words="".join(wsplit) shape=np.array(Image.open(r'C:Usersccav img.jpg')) mycloudword=WordCloud(font_path=r'C:WindowsFontsmsyh.ttf', scale=1, margin=2, background_color='white', mask=shape, max_words=200, min_font_size=14, max_font_size=50, stopwords=STOPWORDS, random_state=50).generate(words) ax.imshow(mycloudword) ax.axis("off") plt.show() mycloudword.to_file(r"...vanityfair2.png")
原图:
输出的词云:
此外,还可以让词按某个图片的颜色进行显示。用recolor([random_state, color_func, colormap])对现有输出重新着色。(重新上色比重新生成整个词云要快很多)
添加以下这几句即可:
from wordcloud import ImageColorGenerator color=ImageColorGenerator(np.array(Image.open(r'... img2.jpg'))) mycloudword.recolor(color_func=color)
原图:
输出: