python词云 wordcloud库详细使用教程

前言

“词云”这个概念由美国西北大学新闻学副教授、新媒体专业主任里奇·戈登（Rich Gordon）于提出，词云是一种可视化描绘单词或词语出现在文本数据中频率的方式，它主要是由随机分布在词云图的单词或词语构成，出现频率较高的单词或词语则会以较大的形式呈现出来，而频率越低的单词或词语则会以较小的形式呈现。词云主要提供了一种观察社交媒体网站上的热门话题或搜索关键字的一种方式，它可以对网络文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，从而过滤掉大量的文本信息，使浏览网页者只要一眼扫过文本就可以领略文本的主旨。
例如：（图片来自于网络）

你也想做出这么具有视觉震撼效果的词云吗？借助python的wordcloud库便可实现。
wordcloud库不是python内置库，需要安装。windows+R，打开cmd，然后在命令行输入：

pip install wordcloud

等待安装完成即可。
关于wordcloud库最详细的使用教程，可参考：
wordcloud官方文档
本文是在作者参考官网后，然后结合自己的示例整理出。源代码和相关资料下载资源（0积分下载）：
https://download.csdn.net/download/weixin_55697913/87697233

使用wordcloud生成词云的步骤

1. 读取文件，分词整理
   可能会用到字符串相关函数、jieba库等。

2. 配置对象参数，加载词云文本
   创建一个WordCloud对象，使用.generate()方法加载文本。

3. 计算词频，输出词云文件
   使用to_file()方法输出到文件。或者利用其他库（如pyplot）展示图像。

生成词云时，wordcloud 默认会以空格或标点为分隔符对目标文本进行分词处理。
对于中文文本，分词处理需要由用户来完成，jieba库是常见的中文分词库，教程有很多，本文不再赘述。
一般步骤是先将文本分词处理，然后以空格拼接，再调用wordcloud库函数。
处理中文时还需要指定中文字体，见本文末尾传入中文字体路径解决乱码问题。

API参考

最重要的一个API：

class wordcloud.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)

重要参数详解：

• font_path：字体路径。使用中文很可能产生乱码，需要下载专门的中文字体，然后将路径传入。
• width, height：画布的大小。
• mask：蒙版（熟悉ps的小伙伴应该很清楚），可以传入一个图像当做蒙版，这时width，height会被忽略。蒙版的纯白色部分将没有文字，其他颜色部分将有文字。
• min_font_size：词云最小字体的大小。max_font_size同理。
• max_words：最大词语的数量。
• stopwords：set of strings or None，出现在停用词里的词将不会出现在词云中。如果None，则使用默认的stopwords。如果使用.generate_from_frequencies方法，则会被忽略。
• background_color：背景颜色，可以直接用white、black等字符串。
• repeat：bool, default=False。是否可以重复单词。
• color_func：callable, default=None。可以传入一个函数或者后面提到的ImageColorGenerator，用于给词云上色。

方法：

方法	用法
generate(text)	根据给定的text产生词云，text一般是用空格或者标点符号分割的单词
generate_from_text(text)	跟generate(text)完全等效
generate_from_frequencies(frequencies[, …])	根据词频建立词云，词频越大字体越大。参数frequencies是一个字典，从单词到频率的映射
fit_words(frequencies)	跟generate_from_frequencies完全等效
to_file(filename)	将产生的词云保存至文件

class wordcloud.ImageColorGenerator(image, default_color=None)

参数：

• image：nd-array, shape (height, width, 3)

作用：
基于一张图片建立的ImageColorGenerator，可以当做WordCloud类的color_func参数，用于给词云上色。传入一张RGB图片即可，是一个numpy格式的图片。词云上的每个词的染色，是这张图片上对应的矩形区域的颜色平均值。

实例

本文会用到wordcloud库，除此之外，还会用到jieba和matplotlib。
jieba库是一个优秀的中文分词库，matplotlib是一个常用的Python 2D绘图库，其子库matplotlib.pyplot提供了多种绘图方法，这两个库不是python内置的库，需要自行安装：

pip install matplotlib
pip install jieba

在jieba库中，常用的是jieba.lcut()函数，传入一个中文字符串，返回分词后的单词列表。

关于jieba库和matplotlib库的使用不是本文的重点内容，大家可自行在网上查阅相关资料。

下文的实例将会用到下面的库：

import matplotlib.pyplot as plt
import wordcloud
import jieba

从一段文本建立词云

从一段文本建立词云时，默认单词是以空格或者标点分开的。使用generate或generate_from_text这两种方法，完全等价。

'''从一段文本建立词云'''
text='''面对世界经济复苏乏力、局部冲突和动荡频发、全球性问题加剧的外部环境，
面对我国经济发展进入新常态等一系列深刻变化，我们坚持稳中求进工作总基调，迎难而上，开拓进取，
取得了改革开放和社会主义现代化建设的历史性成就。'''
# 宋体
words=jieba.lcut(text) # 使用jieba库进行中文分词
text=' '.join(words) # wordcloud 默认会以空格或标点为分隔符对目标文本进行分词处理
wd=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simsun.ttc')
wd.generate(text) # 生成词云
plt.imshow(wd)
plt.axis("off") # 关闭坐标轴
plt.show() # 将图展示出来

结果：

根据蒙版建立词云

这部分根据可口可乐的广告建立词云（cocacola快给我打钱）
先用ps自己画一个蒙版（准确来说是抠图）

然后网上辛苦搜集了广告语：

'''从蒙版建立词云'''
str1=''
with open('./data/cocacola.txt','r',encoding='utf-8') as f:
   for line in f:
       str1+=line[4:] # 去掉前面四个数字年份
words=set(jieba.lcut(str1)) # 重复词太多，用set除去重复词
text=' '.join(words)
mask=plt.imread('./imgs/可口可乐.jpg')
# 黑体
stopwords=[]
wc=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simhei.ttf',mask=mask,background_color='white')
wc.generate(text)
wc.to_file('./imgs/from_mask.jpg')

结果：

从词频建立词云

还是可口可乐广告。使用generate_from_frequencies或者fit_words方法，完全等价。

generate_from_frequencies(frequencies: Any,max_font_size: Any | None = None) -> WordCloud

frequencies：dict from string to float，从单词到频率的映射。

'''从频率建立词云'''
str1=''
with open('./data/cocacola.txt','r',encoding='utf-8') as f:
    for line in f:
        str1+=line[4:] # 去掉前面四个数字年份
words=jieba.lcut(str1) 

# 统计词频
fre={}
stopwords=['你','的','和','是','了','会','才','\n','---','!','—','----','只']
for word in words:
    if word not in stopwords: # 除去停用词
        fre[word]=fre.get(word,0)+1
    
# 可选用停用词。发现fre中有大量无关的词汇，
# 如'你','的','和','是','了','会','才','\n','---','!','—','----','只'
# 但是需要注意，如果使用generate_from_frequencies，会忽略stopwords，所以要在传入的字典中去掉停用词
mask=plt.imread('./imgs/可口可乐.jpg')
wc=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simhei.ttf',mask=mask,
                       background_color='white',stopwords=stopwords) # 这里传入stopwords其实没用，得去掉fre中的停用词
wc.generate_from_frequencies(fre)
wc.to_file('./imgs/from_frequency.jpg')
'''或者这样做'''
# wc.fit_words(fre)
# wc.to_file('./imgs/from_fit_words.jpg')
'''或者不用统计，直接来'''
# text=' '.join(words)
# wc.generate(text)
#wc.to_file('./imgs/from_gene.jpg')

结果：

可见统计词频后，除了一些关键词，其他词的大小明显变小了。

从图片颜色建立词云

如果又想词云保存某种形状，同时还附带上图片的颜色，可以从图片颜色建立词云。
例如，用一张王者荣耀李元芳的图片建立词云：（图片来自于网络）

'''根据图片颜色建立词云'''
image=plt.imread('./imgs/李元芳.jpg')
# 构造ImageColorGenerator
color_generator=wordcloud.ImageColorGenerator(image)
text='李元芳'
# 注意需要指定repeat=True，因为只有一个词
wc=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simhei.ttf',
                       mask=image,background_color='white',repeat=True)
wc.generate(text)
fig, axes = plt.subplots(1, 3)
axes[0].imshow(wc)
# 或者在构建wc时就传入color_func
# wc=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simhei.ttf',mask=image,background_color='white',color_func=color_generator,repeat=True)
axes[1].imshow(wc.recolor(color_func=color_generator))
axes[2].imshow(image)
for ax in axes:
    ax.set_axis_off()
plt.savefig('./imgs/李元芳词云.jpg')
plt.show()

效果：

传入中文字体路径解决乱码问题

wordcloud在产生中文文本词云时会出现乱码（产生的汉字是方框），如下图：

'''中文字体乱码'''
text='中文 字体 乱码'
wc=wordcloud.WordCloud()
wc.generate(text)
wc.to_file('./imgs/中文字体乱码.jpg')

为了解决这个问题，需要传入电脑中安装的中文字体路径，font_path。
以我们常用的windows系统为例，系统中一般已经安装了中文字体，可进入C:\Windows\Fonts文件夹下，查看可用的中文字体。如下图：

例如，想要使用黑体，可对黑体右键-属性-安全，复制其路径即可：

# 传入中文字体路径解决乱码问题
text='记得 传入 中文 字体 路径'
wc=wordcloud.WordCloud(font_path='C:\Windows\Fonts\simhei.ttf')
wc.generate(text)
wc.to_file('./imgs/记得传入中文字体路径.jpg')

问题成功解决：