（数据科学学习手札71）利用Python绘制词云图

本文对应脚本及数据已上传至我的Github仓库https://github.com/CNFeffery/DataScienceStudyNotes

一、简介

　　词云图是文本挖掘中用来表征词频的数据可视化图像，通过它可以很直观地展现文本数据中地高频词：

图1 词云图示例

　　在Python中有很多可视化框架可以用来制作词云图，如pyecharts，但这些框架并不是专门用于制作词云图的，因此并不支持更加个性化的制图需求，要想创作出更加美观个性的词云图，需要用到一些专门绘制词云图的第三方模块，本文就将针对其中较为优秀易用的wordcloud以及stylecloud的用法进行介绍和举例说明。

二、利用wordcloud绘制词云图

　　wordcloud是Python中制作词云图比较经典的一个模块，赋予用户高度的自由度来创作词云图：

图2 wordcloud制作词云图示例

2.1 从一个简单的例子开始

　　这里我们使用到来自wordcloud官方文档中的constitution.txt来作为可视化的数据素材：

图3 constitution.txt

　　首先我们读入数据并将数据清洗成空格分隔的长字符串：

import re

with open('constitution.txt') as c:
    '''抽取文本中的英文部分并小写化，并将空格作为分隔拼接为长字符串'''
    text = ' '.join([word.group().lower() for word in re.finditer('[a-zA-Z]+', c.read())])

'''查看前100个字符'''
text[:500]

图4 清洗后的片段文本

　　接着使用wordcloud中用于生成词云图的类WordCloud配合matplotlib，在默认参数设置下生成一张简单的词云图：

from wordcloud import WordCloud
import matplotlib.pyplot as plt
%matplotlib inline

'''从文本中生成词云图'''
wordcloud = WordCloud().generate(text)
plt.figure(figsize=[12, 10])
plt.imshow(wordcloud)
plt.axis('off')
plt.show()

　　生成的词云图:

图5 默认参数下的词云图

　　毕竟是在默认参数下生成的词云图，既丑陋又模糊，为了绘制好看的词云图，接下来我们来对wordcloud绘制词云图的细节内容进行介绍，并不断地对图5进行升级改造。

2.2 WordCloud

　　作为wordcloud绘制词云图最核心的类，WordCloud的主要参数及说明如下：

font_path：字符型，用于传入本地特定字体文件的路径（ttf或otf文件）从而影响词云图的字体族
width：int型，用于控制词云图画布宽度，默认为400
height：int型，用于控制词云图画布高度，默认为200
prefer_horizontal：float型，控制所有水平显示的文字相对于竖直显示文字的比例，越小则词云图中竖直显示的文字越多
mask：传入蒙版图像矩阵，使得词云的分布与传入的蒙版图像一致
contour：float型，当mask不为None时，contour参数决定了蒙版图像轮廓线的显示宽度，默认为0即不显示轮廓线
contour_color：设置蒙版轮廓线的颜色，默认为'black'
scale：当画布长宽固定时，按照比例进行放大画布，如scale设置为1.5，则长和宽都是原来画布的1.5倍
min_font_size：int型，控制词云图中最小的词对应的字体大小，默认为4
max_font_size：int型，控制词云图中最大的词对应的字体大小，默认为200
max_words：int型，控制一张画布中最多绘制的词个数，默认为200
stopwords：控制绘图时忽略的停用词，即不绘制停用词中提及的词，默认为None，即调用自带的停用词表（仅限英文，中文需自己提供并传入）
background_color：控制词云图背景色，默认为'black'
mode：当设置为'RGBA'且background_color设置为None时，背景色变为透明，默认为'RGB'
relative_scaling：float型，控制词云图绘制字的字体大小与对应字词频的一致相关性，当设置为1时完全相关，当为0时完全不相关，默认为0.5
color_func：传入自定义调色盘函数，默认为None
colormap：对应matplotlib中的colormap调色盘，默认为viridis，这个参数与参数color_func互斥，当color_func有函数传入时本参数失效
repeat：bool型，控制是否允许一张词云图中出现重复词，默认为False即不允许重复词
random_state：控制随机数水平，传入某个固定的数字之后每一次绘图文字布局将不会改变

　　了解了上述参数的意义之后，首先我们修改背景色为白色，增大图床的长和宽，加大scale以提升图片的精细程度，并使得水平显示的文字尽可能多：

'''从文本中生成词云图'''
wordcloud = WordCloud(background_color='white', # 背景色为白色
                      height=400, # 高度设置为400
                      width=800, # 宽度设置为800
                      scale=20, # 长宽拉伸程度设置为20
                      prefer_horizontal=0.9999).generate(text)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud)
plt.axis('off')
'''保存到本地'''
plt.savefig('图6.jpg', dpi=600, bbox_inches='tight', quality=95)
plt.show()

图6

　　可以看到相较于图5，在美观程度上有了很大的进步，接下来，我们在图6的基础上添加美国本土地图蒙版：

图7 美国本土地图蒙版

　　利用PIL模块读取我们的美国本土地图蒙版.png文件并转换为numpy数组，作为WordCloud的mask参数传入：

from PIL import Image
import numpy as np

usa_mask = np.array(Image.open('美国本土地图蒙版.png'))

'''从文本中生成词云图'''
wordcloud = WordCloud(background_color='white', # 背景色为白色
                      height=4000, # 高度设置为400
                      width=8000, # 宽度设置为800
                      scale=20, # 长宽拉伸程度程度设置为20
                      prefer_horizontal=0.9999,
                      mask=usa_mask # 添加蒙版
                     ).generate(text)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud)
plt.axis('off')
'''保存到本地'''
plt.savefig('图8.jpg', dpi=600, bbox_inches='tight', quality=95)
plt.show()

图8

　　可以看到图8在图6的基础上进一步提升了美观程度，接下来我们利用wordcloud中用于从图片中提取调色方案的类ImageColorGenerator来从下面的星条旗美国地图蒙版中提取色彩方案，进而反馈到词云图上：

图9 美国地图蒙版_星条旗色

from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator

usa_mask = np.array(Image.open('美国地图蒙版_星条旗色.png'))
image_colors = ImageColorGenerator(usa_mask)

'''从文本中生成词云图'''
wordcloud = WordCloud(background_color='white', # 背景色为白色
                      height=400, # 高度设置为400
                      width=800, # 宽度设置为800
                      scale=20, # 长宽拉伸程度程度设置为20
                      prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
                      mask=usa_mask, # 添加蒙版
                      max_words=1000, # 设置最大显示字数为1000
                      relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
                      max_font_size=80 # 缩小最大字体为80
                     ).generate(text)

plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis('off')
'''保存到本地'''
plt.savefig('图10.jpg', dpi=600, bbox_inches='tight', quality=95)
plt.show()

图10

2.3 中文词云图

　　相较于英文文本语料，中文语料处理起来要麻烦一些，我们需要先进行分词等预处理才能进行下一步的处理，这里我们使用某外卖平台用户评论数据，先读取进来看看：

import pandas as pd
import jieba

'''读入原始数据'''
raw_comments = pd.read_csv('waimai_10k.csv');raw_comments.head()

图11

　　接下来我们利用re、jieba以及pandas中的apply对评论列进行快速清洗：

'''导入停用词表'''
with open('stopwords.txt') as s:
    stopwords = set([line.replace('\n', '') for line in s])

'''传入apply的预处理函数，完成中文提取、分词以及多余空格剔除'''
def preprocessing(c):
    
    c = [word for word in jieba.cut(' '.join(re.findall('[\u4e00-\u9fa5]+', c))) if word != ' ' and word not in stopwords]

    return ' '.join(c)

'''将所有语料按空格拼接为一整段文字'''
comments = ' '.join(raw_comments['review'].apply(preprocessing));comments[:500]

　　得到的结果如图12：

图12

　　这时我们就得到所需的文本数据，接下来我们用美团外卖的logo图片作为蒙版绘制词云图：

图13 美团外卖logo蒙版

from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator

waimai_mask = np.array(Image.open('美团外卖logo蒙版.png'))
image_colors = ImageColorGenerator(waimai_mask)

'''从文本中生成词云图'''
wordcloud = WordCloud(background_color='white', # 背景色为白色
                      height=400, # 高度设置为400
                      width=800, # 宽度设置为800
                      scale=20, # 长宽拉伸程度程度设置为20
                      prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
                      mask=waimai_mask, # 添加蒙版
                      max_words=1000, # 设置最大显示字数为1000
                      relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
                      max_font_size=80 # 缩小最大字体为80
                     ).generate(comments)

plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis('off')
'''保存到本地'''
plt.savefig('图14.jpg', dpi=600, bbox_inches='tight', quality=95)
plt.show()

　　这时我们会发现词云图上绘制出的全是乱码，这是因为matplotlib默认字体是不包含中文的：

图14 中文乱码问题

　　这时我们只需要为WordCloud传入font_path参数即可，这里我们选择SimHei字体：

from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator

waimai_mask = np.array(Image.open('美团外卖logo蒙版.png'))
image_colors = ImageColorGenerator(waimai_mask)

'''从文本中生成词云图'''
wordcloud = WordCloud(font_path='SimHei.ttf', # 定义SimHei字体文件
                      background_color='white', # 背景色为白色
                      height=400, # 高度设置为400
                      width=800, # 宽度设置为800
                      scale=20, # 长宽拉伸程度程度设置为20
                      prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
                      mask=waimai_mask, # 添加蒙版
                      max_words=1000, # 设置最大显示字数为1000
                      relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
                      max_font_size=80 # 缩小最大字体为80
                     ).generate(comments)

plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis('off')
'''保存到本地'''
plt.savefig('图15.jpg', dpi=600, bbox_inches='tight', quality=95)
plt.show()

图15

三、利用stylecloud绘制词云图

　　stylecloud是一个较为崭新的模块，它基于wordcloud，添加了一系列的崭新特性譬如渐变颜色等，可以支持更为个性化的词云图创作：

图16 styleword制作词云图示例

3.1 从一个简单的例子开始

　　这里我们沿用上一章节中使用过的处理好的text来绘制词云图：

import stylecloud
from IPython.display import Image # 用于在jupyter lab中显示本地图片

'''生成词云图'''
stylecloud.gen_stylecloud(text=text, 
                          size=512,
                          output_name='图17.png')

'''显示本地图片'''
Image(filename='图17.png') 

图17

　　可以看出，styleword生成词云图的方式跟wordcloud不同，它直接就将原始文本转换成本地词云图片文件，下面我们针对其绘制词云图的细节内容进行介绍。

3.2 gen_stylecloud

　　在stylecloud中绘制词云图只需要gen_stylecloud这一个函数即可，其主要参数及说明如下：

text：字符串，格式同WordCloud中的generate()方法中传入的text
gradient：控制词云图颜色渐变的方向，'horizontal'表示水平方向上渐变，'vertical'表示竖直方向上渐变，默认为'horizontal'
size：控制输出图像文件的分辨率（因为stylecloud默认输出方形图片，所以size传入的单个整数代表长和宽），默认为512
icon_name：这是stylecloud中的特殊参数，通过传递对应icon的名称，你可以使用多达1544个免费图标来作为词云图的蒙版，点击这里查看你可以免费使用的图标蒙版样式，默认为'fas fa-flag'
palette：控制调色方案，stylecloud的调色方案调用了palettable，这是一个非常实用的模块，其内部收集了数量惊人的大量的经典调色方案，默认为'cartocolors.qualitative.Bold_5'
background_color：字符串，控制词云图底色，可传入颜色名称或16进制色彩，默认为'white'
max_font_size：同wordcloud
max_words：同wordcloud
stopwords：bool型，控制是否开启去停用词功能，默认为True，调用自带的英文停用词表
custom_stopwords：传入自定义的停用词List，配合stopwords共同使用
output_name：控制输出词云图文件的文件名，默认为stylecloud.png
font_path：传入自定义字体*.ttf文件的路径
random_state：同wordcloud

　　对上述参数有所了解之后，下面我们在图17的基础上进行改良，首先我们将图标形状换成炸弹的样子，接着将配色方案修改为scientific.diverging.Broc_3：

'''生成词云图'''
stylecloud.gen_stylecloud(text=text, 
                          size=1024,
                          output_name='图18.png',
                          palette='scientific.diverging.Broc_3', # 设置配色方案
                          icon_name='fas fa-bomb' # 设置图标样式
                         )

'''显示本地图片'''
Image(filename='图18.png') 

图18

3.3 绘制中文词云图

　　在wordcloud中绘制中文词云图类似wordcloud只需要注意传入支持中文的字体文件即可，下面我们使用一个微博语料数据weibo_senti_100k.csv来举例：

weibo = pd.read_csv('weibo_senti_100k.csv')
weibo_text = [word for word in jieba.cut(' '.join(re.findall('[\u4e00-\u9fa5]+', ' '.join(weibo['review'].tolist())))) if word != ' ' and word not in stopwords]
weibo_text[:10]

图19

　　接着我们将蒙版图标样式换成新浪微博，将色彩方案换成colorbrewer.sequential.Reds_3：

'''生成词云图'''
'''生成词云图'''
stylecloud.gen_stylecloud(text=' '.join(weibo_text), 
                          size=1024,
                          output_name='图20.png',
                          palette='colorbrewer.sequential.Reds_3', # 设置配色方案为https://jiffyclub.github.io/palettable/colorbrewer/sequential/#reds_3
                          icon_name='fab fa-weibo', # 设置图标样式
                          gradient='horizontal', # 设置颜色渐变方向为水平
                          font_path='SimHei.ttf',
                          collocations=False
                         )

'''显示本地图片'''
Image(filename='图20.png') 

图20

　　以上就是本文的全部内容，如有笔误望指出！