如何用Python 制作词云-对1000首古诗做词云分析

主页： https://codeshellme.github.io

今天来介绍一下如何使用 Python 制作 词云 。

词云又叫文字云，它可以统计文本中频率较高的词，并将这些词可视化，让我们可以直观的了解文本中的重点词汇。

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！??¤
QQ群：828010317

词的频率越高，词显示的大小也就越大。

1，wordcloud 模块

wordcloud 是一个词云生成器，它不仅是一个 Python 库，还是一个 命令行工具 。我们可以通过 wordcloud 官方文档 ，和 示例库 来学习如何使用它。

在使用 wordcloud 之前，需要先安装它：

pip install wordcloud

2，WordCloud 类

WordCloud 类用于创建 词云对象 ，先来看下它的原型：

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 类有很多参数可以设置，这里介绍一些常用的参数：

• font_path ：设置字体文件路径，字体文件以 .ttf 为后缀。
  • 如果分析的文本是中文，则需要设置中文字体，否则会乱码。
• background_color ：设置图片背景颜色，默认为 black ，也可以设置为 white 等。
• mask ：设置背景图片。
• max_words ：设置最大的词数，默认为200。
• stopwords ：设置停用词。
• max_font_size ：设置字体最大值。
• width ：设置画布的宽度，默认为400。
• height ：设置画布的高度，默认为200。
• random_state ：设置多少种随机状态，即多少种颜色。

在创建好 词云对象 后，可以使用 generate 方法生成词云，并使用 to_file 方法将词云图像保存在文件中。

generate 方法的原型如下：

generate(text)

参数 text 是一个用 空格 隔开的文本字符串。如果分析的是中文，需要先用 jieba 进行分词，可以参考 这里 。

除了将词云图像保存在文件中，还可以使用 Matplotlib 模块显示词云图像，示例代码如下：

import matplotlib.pyplot as plt

plt.imshow(wordcloud)  # wordcloud 是词云对象
plt.axis("off")        # 用于关闭坐标轴
plt.show()

3，一个简单的示例

下面演示一个最简单的示例，来看如何使用 wordcloud 。

首先创建 词云对象 ：

from wordcloud import WordCloud
wc = WordCloud()

生成词云：

text = "Python is a programming language, it is easy to use."
wc.generate(text)

词云对象的 words_ 属性中存储了每个单词的（归一化后的）权重，权重的范围是 (0, 1] 。

words_ 属性是一个字典类型，它存储的键的最大个数为 max_words ，即 WordCloud 类的参数。

如下：

>>> wc.words_
{'Python': 1.0, 'programming': 1.0, 'language': 1.0, 'easy': 1.0, 'use': 1.0}
# 示例中的这些单词出现的频率都相等（均为 1），
# 所以它们的权重都是 1。

用 Matplotlib 展示词云图像：

import matplotlib.pyplot as plt

plt.imshow(wc) 
plt.axis("off")
plt.show()

词云图像如下：

4，对古诗做词云分析

我在 这里 准备了一个案例，是对1000 首古诗做词云分析。

代码目录如下：

wordcloud/
├── SimHei.ttf
├── gushi.txt
└── gushi_wordcloud.py

其中：

• SimHei.ttf ：是一个字体文件，避免词云分析时出现中文乱码。
• gushi.txt ：该文件中包含了 1000 首古诗 。
• gushi_wordcloud.py ：是 词云分析代码 。

我将代码也放在这里，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'辛弃疾', u'李清照', u'苏轼',
        u'李商隐', u'王维', 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:
        # 如果词的长度小于 2，则舍去
        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 停用词列表，是一些作者的名字。
• load_file 方法用于加载文本，其中用到了 jieba 分词。

最后将词云图像保存在了 wordcloud.jpg 文件中，如下：

我们也可以从词云对象的 words_ 属性中查看每个词的权重，这里我列出前十个：

('明月', 1.0)
('今日', 0.9130434782608695)
('不知', 0.8405797101449275) 
('何处', 0.8260869565217391) 
('不见', 0.8115942028985508) 
('春风', 0.7536231884057971) 
('无人', 0.7536231884057971) 
('不可', 0.7536231884057971) 
('万里', 0.7536231884057971) 
('现代', 0.6666666666666666)

（本节完。）