Python模块---Wordcloud生成词云图

wordcloud是Python扩展库中一种将词语用图片表达出来的一种形式，通过词云生成的图片，我们可以更加直观的看出某篇文章的故事梗概。

首先贴出一张词云图（以哈利波特小说为例）：

在生成词云图之前，首先要做一些准备工作

1.安装结巴分词库

pip install jieba

Python中的分词模块有很多，他们的功能也都是大同小异，我们安装的结巴分词是当前使用的最多的类型。

下面我来简单介绍一下结巴分词的用法

结巴分词的分词模式分为三种：

(1)全模式:把句子中所有的可以成词的词语都扫描出来, 速度快,但是不能解决歧义问题

(2)精确模式:将句子最精确地切开,适合文本分析

(3)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

下面用一个简单的例子来看一下三种模式的分词区别：

 1 import jieba
 2 
 3 # 全模式:把句子中所有的可以成词的词语都扫描出来, 速度快,但是不能解决歧义问题
 4 text = "哈利波特是一常优秀的文学作品"
 5 seg_list = jieba.cut(text, cut_all=True)
 6 print(u"[全模式]: ", "/ ".join(seg_list))
 7 
 8 # 精确模式:将句子最精确地切开,适合文本分析
 9 seg_list = jieba.cut(text, cut_all=False)
10 print(u"[精确模式]: ", "/ ".join(seg_list))
11 
12 # 默认是精确模式
13 seg_list = jieba.cut(text)
14 print(u"[默认模式]: ", "/ ".join(seg_list))
15 
16 # 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
17 seg_list = jieba.cut_for_search(text)
18 print(u"[搜索引擎模式]: ", "/ ".join(seg_list))

下面是对这句话的分词方式：

通过这三种分词模式可以看出，这些分词模式并没有很好的划分出“哈利波特”这个专有名词，这是因为在结巴分词的字典中并没有记录这个名词，所以需要我们手动添加自定义字典

添加自定义字典：找一个方便引用的位置（下图的路径是我安装的位置），新建文本文档（后缀名为.txt），将想添加的词输入进去（注意输入格式），保存并退出

在上面的代码中加入自定义字典的路径，再点击运行

jieba.load_userdict("/home/jmhao/anaconda3/lib/python3.7/site-packages/jieba/mydict.txt")

分词结果，可以看出“哈利波特”这个词已经被识别出来了

结巴分词还有另一个禁用词的输出结果

 1 stopwords = {}.fromkeys(['优秀', '文学作品'])
 2 
 3 #添加禁用词之后
 4 seg_list = jieba.cut(text)
 5 final = ''
 6 for seg in seg_list:
 7     if seg not in stopwords:
 8             final += seg
 9 seg_list_new = jieba.cut(final)
10 print(u"[切割之后]: ", "/ ".join(seg_list_new))

可以看到输出结果中并没有“优秀”和“文学作品”两个词

结巴分词还有很多比较复杂的操作，具体的可以去官网查看，我就不再过多的赘述了

下面我们正式开始词云的制作

首先下载模块，这里我所使用的环境是Anaconda，由于Anaconda中包含很多常用的扩展包，所以这里只需要下载wordcloud。若使用的环境不是Anaconda，则另需安装numpy和PIL模块

pip install wordcloud

然后我们需要找一篇文章并使用结巴分词将文章分成词语的形式

1 # 分词模块
2 def cut(text):
3     # 选择分词模式
4     word_list = jieba.cut(text,cut_all= True)
5     # 分词后在单独个体之间加上空格
6     result = " ".join(word_list)
7     # 返回分词结果
8     return result

这里我在当前文件夹下创建了一个文本文档“xiaoshuo.txt”，并复制了一章的小说作为词云的主体文字

使用代码控制，打开并读取小说的内容

1 #导入文本文件,进行分词,制作词云
2 with open("xiaoshuo.txt") as fp:
3     text = fp.read()
4     # 将读取的中文文档进行分词
5     text = cut(text)

在网上找到一张白色背景的图片下载到当前文件夹，作为词云的背景图（若不指定图片，则默认生成矩形词云）

#设置词云形状，若设置了词云的形状，生成的词云与图片保持一致，后面设置的宽度和高度将默认无效
    mask = np.array(image.open("monkey.jpeg"))

接下来可以根据喜好来定义词云的颜色、轮廓等参数下面为常用的参数设置方法

font_path : "字体路径"	词云的字体样式，若要输出中文，则跟随中文的字体
width = n	画布宽度，默认为400像素
height = n	画布高度，默认为400像素
scale = n	按比例放大或缩小画布
min_font_size = n	设置最小的字体大小
max_font_size = n	设置最大的字体大小
stopwords = 'words'	设置要屏蔽的词语
background_color = ''color	设置背景板颜色
relative_scaling = n	设置字体大小与词频的关联性
contour_width = n	设置轮廓宽度
contour_color = 'color'	设置轮廓颜色

完整代码

 1 #导入词云库
 2 from wordcloud import WordCloud
 3 #导入图像处理库
 4 import PIL.Image as image
 5 #导入数据处理库
 6 import numpy as np
 7 #导入结巴分词库
 8 import jieba
 9 
10 # 分词模块
11 def cut(text):
12     # 选择分词模式
13     word_list = jieba.cut(text,cut_all= True)
14     # 分词后在单独个体之间加上空格
15     result = " ".join(word_list)
16     return result
17 
18 #导入文本文件,进行分词,制作词云
19 with open("xiaoshuo.txt") as fp:
20     text = fp.read()
21     # 将读取的中文文档进行分词
22     text = cut(text)
23     #设置词云形状
24     mask = np.array(image.open("monkey.jpeg"))
25     #自定义词云
26     wordcloud = WordCloud(
27         # 遮罩层,除白色背景外,其余图层全部绘制（之前设置的宽高无效）
28         mask=mask,
29         #默认黑色背景,更改为白色
30         background_color='#FFFFFF',
31         #按照比例扩大或缩小画布
32         scale=1,
33         # 若想生成中文字体,需添加中文字体路径
34         font_path="/usr/share/fonts/bb5828/逐浪雅宋体.otf"
35     ).generate(text)
36     #返回对象
37     image_produce = wordcloud.to_image()
38     #保存图片
39     wordcloud.to_file("new_wordcloud.jpg")
40     #显示图像
41     image_produce.show()

注：若想要生成图片样式的词云图，找到的图片背景必须为白色，或者使用Photoshop抠图替换成白色背景，否则生成的词云为矩形

我的词云原图：

生成的词云图：