公號：碼農充電站pro
主頁：https://codeshellme.github.io
今天來介紹一下如何使用 Python 制作詞雲。
詞雲又叫文字雲，它可以統計文本中頻率較高的詞，並將這些詞可視化，讓我們可以直觀的了解文本中的重點詞匯。
詞的頻率越高，詞顯示的大小也就越大。
1，wordcloud 模塊
wordcloud 是一個詞雲生成器，它不僅是一個 Python 庫，還是一個命令行工具。我們可以通過 wordcloud 官方文檔，和示例庫來學習如何使用它。
在使用 wordcloud 之前，需要先安裝它：
pip install wordcloud
2，WordCloud 類
WordCloud 類用於創建詞雲對象，先來看下它的原型：
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)
可以看到，WordCloud 類有很多參數可以設置，這里介紹一些常用的參數：
- font_path：設置字體文件路徑，字體文件以
.ttf為后綴。- 如果分析的文本是中文，則需要設置中文字體，否則會亂碼。
- background_color：設置圖片背景顏色，默認為 black，也可以設置為 white 等。
- mask：設置背景圖片。
- max_words：設置最大的詞數，默認為200。
- stopwords：設置停用詞。
- max_font_size：設置字體最大值。
- width：設置畫布的寬度，默認為400。
- height：設置畫布的高度，默認為200。
- random_state：設置多少種隨機狀態，即多少種顏色。
在創建好詞雲對象后，可以使用 generate 方法生成詞雲，並使用 to_file 方法將詞雲圖像保存在文件中。
generate 方法的原型如下：
generate(text)
參數text 是一個用空格隔開的文本字符串。如果分析的是中文，需要先用 jieba 進行分詞，可以參考這里。
除了將詞雲圖像保存在文件中，還可以使用 Matplotlib 模塊顯示詞雲圖像，示例代碼如下：
import matplotlib.pyplot as plt
plt.imshow(wordcloud) # wordcloud 是詞雲對象
plt.axis("off") # 用於關閉坐標軸
plt.show()
3，一個簡單的示例
下面演示一個最簡單的示例，來看如何使用 wordcloud。
首先創建詞雲對象：
from wordcloud import WordCloud
wc = WordCloud()
生成詞雲：
text = "Python is a programming language, it is easy to use."
wc.generate(text)
詞雲對象的 words_ 屬性中存儲了每個單詞的（歸一化后的）權重，權重的范圍是 (0, 1]。
words_ 屬性是一個字典類型，它存儲的鍵的最大個數為 max_words，即 WordCloud 類的參數。
如下：
>>> wc.words_
{'Python': 1.0, 'programming': 1.0, 'language': 1.0, 'easy': 1.0, 'use': 1.0}
# 示例中的這些單詞出現的頻率都相等（均為 1），
# 所以它們的權重都是 1。
用 Matplotlib 展示詞雲圖像：
import matplotlib.pyplot as plt
plt.imshow(wc)
plt.axis("off")
plt.show()
詞雲圖像如下：
4，對古詩做詞雲分析
我在這里准備了一個案例，是對1000 首古詩做詞雲分析。
代碼目錄如下：
wordcloud/
├── SimHei.ttf
├── gushi.txt
└── gushi_wordcloud.py
其中：
我將代碼也放在這里，方便查看：
#!/usr/bin/env python
# coding=utf-8
import os
import sys
import jieba
from wordcloud import WordCloud
if sys.version.startswith('2.'):
reload(sys)
sys.setdefaultencoding('utf-8')
# 去掉一些作者的名字
STOPWORDS = [
u'李白', u'杜甫', u'辛棄疾', u'李清照', u'蘇軾',
u'李商隱', u'王維', u'白居易', u'李煜', u'杜牧',
]
def load_file(file_path):
if sys.version.startswith('2.'):
with open(file_path) as f:
lines = f.readlines()
else:
with open(file_path, encoding='utf-8') as f:
lines = f.readlines()
content = ''
for line in lines:
line = line.encode('unicode-escape').decode('unicode-escape')
line = line.strip().rstrip('\n')
content += line
words = jieba.cut(content)
l = []
for w in words:
# 如果詞的長度小於 2，則舍去
if len(w) < 2: continue
l.append(w)
return ' '.join(l)
if __name__ == '__main__':
file_path = './gushi.txt'
content = load_file(file_path)
wc = WordCloud(
font_path="./SimHei.ttf",
stopwords=STOPWORDS,
width=2000, height=1200)
wc.generate(content)
wc.to_file("wordcloud.jpg")
其中：
STOPWORDS停用詞列表，是一些作者的名字。load_file方法用於加載文本，其中用到了 jieba 分詞。
最后將詞雲圖像保存在了 wordcloud.jpg 文件中，如下：
我們也可以從詞雲對象的words_ 屬性中查看每個詞的權重，這里我列出前十個：
('明月', 1.0)
('今日', 0.9130434782608695)
('不知', 0.8405797101449275)
('何處', 0.8260869565217391)
('不見', 0.8115942028985508)
('春風', 0.7536231884057971)
('無人', 0.7536231884057971)
('不可', 0.7536231884057971)
('萬里', 0.7536231884057971)
('現代', 0.6666666666666666)
（本節完。）
推薦閱讀：
歡迎關注作者公眾號，獲取更多技術干貨。
