数据挖掘 | 可视化 WordCloud 词云（附详细代码案例)

Posted 2022-11-23 计算机魔术师

🤵‍♂️ 个人主页: @计算机魔术师
👨‍💻 作者简介：CSDN内容合伙人，全栈领域优质创作者。

开发环境
编辑器： jupyter notebook
解释器： python 3.7

在七夕节中，博主写了一篇为女友收集QQ聊天记录做可视化词云的文章获得广泛好评，一直有小伙伴希望能出一篇教程，今天他来啦！ 一文带你速通词云🙋‍♂️

文章链接 — Python | 词云】聊天记录绘制超美词云（七夕快乐 ，曾同学）

后面生成的图片是有些显示违规或奇怪（因为我是用核心价值观作为词库的，所以会被和谐，但学习思路没有问题，大家可以放心食用~）

文章目录

• 一、安装wordcloud
• 二、一个简单的词云
• 三、优化词云
• 四、中文版词云
• • 4.1colormap 修改主色调
  • 4.2修改部分字体的颜色
• 五、自定义轮廓（根据图片）
• • 5.1添加边框和边框颜色
  • 5.2保存图片🎉
  • 5.3修改图片背景为透明色
• 六、处理大块文本
• • 6.1处理分词后的字符串

一、安装wordcloud

pip install wordcloup

安装失败见：
到https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud 去下载符合自己的whl文件
我的Windows 是64 操作系统，python版本为3.9

用cmd进到下载的whl文件的目录执行
pip install wordcloud-1.5.0-cp39-cp39m-win32.whl

查看模块属性和方法

import wordcloud,PIL
import  numpy as np
import jieba
dir(wordcloud)

输出

['ImageColorGenerator',
 'STOPWORDS',
 'WordCloud',
 '__all__',
 '__builtins__',
 '__cached__',
 '__doc__',
 '__file__',
 '__loader__',
 '__name__',
 '__package__',
 '__path__',
 '__spec__',
 '__version__',
 '_version',
 'color_from_image',
 'get_single_color_func',
 'query_integral_image',
 'random_color_func',
 'tokenization',
 'wordcloud']

主要使用其中的
WordCloud 对象 生成词云和显示词云

dir(wordcloud.WordCloud)

输出

['__array__',
 '__class__',
 '__delattr__',
 '__dict__',
 '__dir__',
 '__doc__',
	······
,]

插入一下 dir的用法

# dir 如果没有参数，默认返回 项目属性 和 模块
dir()

二、一个简单的词云

我们生成一个简单词云 并用image绘出来

# 设置背景为白色

wcd = wordcloud.WordCloud(background_color='white')
text = 'hello world python windows css html javascript'

# 生成词云
wcd.generate(text) # Generate  wordcloud from text.
wcd.to_image()

从中可以看见单词很散，很少， 我们对 词云对象 添加两个属性， repeat = true（重复） max_words (最大词数）

三、优化词云

（重复词，限制词数，放大图片,限制最大单词大小）

# 设置背景为白色，单词重复，词数限制，放大长宽
wcd1 = wordcloud.WordCloud(background_color='white',repeat=True,max_words=100,width=800,height=600,max_font_size=100)

wcd1.generate(text)
wcd1.to_image()

四、中文版词云

zh_hans_text = "自由、平等、公正、法治。自由、平等、公正、法治"

wcd_zh_hans = wordcloud.WordCloud(background_color='white',repeat=True,max_words=100,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

可以发现 编码问题出现了。

解决方案： 修改 font path 为中文字体路径

中文字体路径在哪里找呢，在 C:\\Windows\\Fonts

我们直接将所需要的字体复制到项目根路径下使用

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF',background_color='white',repeat=True,max_words=100,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

4.1colormap 修改主色调

我们希望修改一下颜色风格，我们查看一下 colormap 介绍

也就说只能用 `matplotlib`库的颜色地图，我们去到对应官网

https://www.matplotlib.org.cn/gallery/color/colormap_reference.html

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF/',colormap='Reds',background_color='white',repeat=True,max_words=100,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

4.2修改部分字体的颜色

此时我们对主色调已经比较满意，但是我们希望可以对一些特别的字体换另外一种颜色，可以使用 方法 recolor() 重新绘制颜色

wcd_zh_hans.recolor() # 重新渲染颜色
wcd_zh_hans.to_image()

五、自定义轮廓（根据图片）

使用 mask 参数 （面罩）

对应参数是numpy 中的 array数组，将图片用PIL库打开 使用矩阵表示出来（图像本质就是矩阵）

默认mask表示为binary(二进制),如果有对应的mask 那么会自动忽略长宽，也就是不会进行默认的长方形图片显示，会被所给图片大小替代，其次如果图片有白底（#ff 或者 #ffffff)，那么此白底会被忽略，不会被渲染！ 相当于边框！

导入PIL (Pillow) 导入 numpy 库

mask = np.array(PIL.Image.open('china.png'))

# 图像本质就是矩阵

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF/',mask=mask,colormap='Reds',background_color='white',repeat=True,max_words=200,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

5.1添加边框和边框颜色

可以看到没有边框，此时我们想要边框可加上 contour 属性

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF/',contour_width=8,contour_color='red',mask=mask,colormap='Reds',background_color='white',repeat=True,max_words=200,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

5.2保存图片🎉

wcd_zh_hans.to_file('china_wordcloud.png')

5.3修改图片背景为透明色

但是出现一个问题：就是所生成的图片背景是白色的，而不是透明的，这样如果有需求还需要借助第三方工具变成透明

解决方法： 修改 mode （默认为RGB) 为 RGBA ， 并设置背景颜色为 None(必须在 RGBA 下有效，不然默认还是黑色背景）

参数	颜色	取值
R	红色值。正整数	百分数
G	绿色值。正整数	百分数
B	蓝色值。正整数	百分数
A	Alpha透明度	0~1(颜色的透明度)

此色彩模式与RGB相同,RGB定义了颜色的红绿蓝值,在RGB模式上新增了Alpha透明度.

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF/',mode='RGBA',contour_width=8,contour_color='white',mask=mask,colormap='Reds',background_color=None,repeat=True,max_words=200,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

根据报错，我们看到 图片和边框线contour的图层 不同，这是一直以来的bug,到目前还没有修复😂。

解决办法： 去除边框线属性

wcd_zh_hans = wordcloud.WordCloud(font_path='./../font/Muyao.TTF/',mode='RGBA',mask=mask,colormap='Reds',background_color=None,repeat=True,max_words=200,width=800,height=600,max_font_size=100)

wcd_zh_hans.generate(zh_hans_text)
wcd_zh_hans.to_image()

perfect!!🎉

wcd_zh_hans.to_file('china_wordcloud_transparent.png')

六、处理大块文本

有时候我们的文本并不是像

zh_hans_text = "自由、平等、公正、法治。自由、平等、公正、法治"

处理好

通常情况下是这样：

`text="核心价值观是一个国家的重要稳定器。一个民族、一个国家的核心价值观必须同自身的历史文化相契合,同自身正在进行的奋斗相结合，同自身需要解决的时代问题相适应。可以说，社会主义核心价值观培育和践行的过程，也是转型社会重建现代价值秩序的过程。在社会从传统向现代的转型过程中，人们的价值观念也发生了深刻的变化，同自身正在进行的奋斗相结合，同自身需要解决的时代问题相适应.可以说，社会主义核心价值观培育和践行的过程，也是转型社会重建现代价值秩序的过程.在社会从传统向现代的转型过程中，人们的价值观念也发生了深刻的变化，`

1. 可以使用中文分词第三方库 ieba(结巴库) ,该库适用于快速上手，但是准确率相比之下比较低

2. 更高的准确率可以使用北京大学开源的中文分词第三方库 pkumsg(peking university segentation)

博客园 优质好文讲解
https://www.cnblogs.com/python-xkj/p/9247265.html

基本使用：

• jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式（默认为False)；HMM 参数用来控制是否使用 HMM 模型

---

• jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
  待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8

---

• jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用
  jieba.lcut 以及 jieba.lcut_for_search 直接返回 list

---

• jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

结巴分词0.4版本以上支持四种分词模式：

模式	效果
精确模式	试图将句子最精确地切开，适合文本分析
全模式	把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义
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
paddle模式	利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注。（应该是百度提供的分词模型），缺点之一是在面对大数据时耗时很大

text="核心价值观是一个国家的重要稳定器。一个民族、一个国家的核心价值观必须同自身的历史文化\\
相契合,同自身正在进行的奋斗相结合，同自身需要解决的时代问题相适应。可以说，社会主义核心价值\\
观培育和践行的过程，也是转型社会重建现代价值秩序的过程。在社会从传统向现代的转型过程中，人们\\
的价值观念也发生了深刻的变化，同自身正在进行的奋斗相结合，同自身需要解决的时代问题相适应.可以\\
说，社会主义核心价值观培育和践行的过程，也是转型社会重建现代价值秩序的过程.在社会从传统向现\\
代的转型过程中，人们的价值观念也发生了深刻的变化，"

jieba.lcut(text)

6.1处理分词后的字符串

1. 使用.join将每个字符串' '连接起来，词云会自动去除标点符号，
   ( 使用方法类似re.sub替换： # 删除特殊符号 sentence = re.sub('[\\'!"#$%&\\'()*+,-./:;<=>?@，。?★、…【】《》？“”‘\\'！[\\\\]^_|~\\s]+', “”, sentence)`
   

2. 也可以使用 计数好的字典 生成词云
   

jieba_text = ' '.join(jieba.lcut(text))
jieba_text

输出：

wcd_zh_hans.generate(jieba_text)
wcd_zh_hans.to_image()

wcd_zh_hans.to_file('china_wordcloud_jiaba.png')

			        🤞到这里，如果还有什么疑问🤞
		🎩欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！🎩
			🥳如果对你有帮助，你的赞是对博主最大的支持！！🥳