使用wordcloud实现中文词云

最新推荐文章于 2023-12-18 09:10:16 发布

原创最新推荐文章于 2023-12-18 09:10:16 发布 · 3.1k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#wordcloud #中文词云

文本分类学习专栏收录该内容

1 篇文章

订阅专栏

本文介绍了一种利用Python中的jieba和wordcloud库生成中文文本词云的方法。首先介绍了所需的数据包安装方式及停用词表的使用，然后详细说明了从数据获取到词云图绘制的具体步骤。包括文本预处理、分词、去除停用词、统计词频等关键环节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.数据包

(1)wordcloud包：可以通过pip安装

(2)jieba包：可以通过pip安装

(3)停用词表：下载网址，没办法，优快云下载最少需要1积分，所以设置为1积分

(4)使用数据：搜狗新闻数据，搜狗新闻数据（我使用的是数据最小的包，只为实现效果）

另附中文语料库博客：中文语料库汇总

2. 实现步骤

(1) 获取要分词的数据，对数据进行简要处理；

(2)使用jieba 进行分词;

(3)去除停用词;

(4)统计词频;

(5)绘图。

3. 代码

import warnings
warnings.filterwarnings('ignore')
import pandas as pd 
import numpy as np
import jieba
from wordcloud import WordCloud
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['figure.figsize']=(10.0,5.0)
 
#df = pd.read_table("F:/DataSet/SouGou_News_Data/Smart_less/news_sohusite_xml.smarty.dat",encoding='utf-8') 
#print(df)
# 1.获取新闻正文内容
data = open("F:/DataSet/SouGou_News_Data/Smart_less/news_sohusite_xml.smarty.dat",encoding='utf-8')
content = list()
for i in range(1200): #文档总行数
    temp = data.readline()  #读取每行的内容
    if temp.startswith("<content>"):
        temp=temp[9:]
        temp=temp[:-11]
        if(len(temp)>0):
            content.append(temp)
#共获取200条新闻,其中164条非空
#print(len(content))

# 2.使用jieba进行分词
segment=[]  
for line in content:  
    try:  
        segs=jieba.lcut(line)  
        for seg in segs:  
            if len(seg)>1 and seg!='\r\n':  
                segment.append(seg)  
    except:  
        print(line)  
        continue
# 分词成功，共获得29834个词汇
#print(len(segment))
        
# 3.去停用词 
words_df=pd.DataFrame({'segment':segment})  
stopwords=pd.read_csv("E:\\A_SoftwareApplication\\A_Anacnoda\\wordcloud\\stopwords\\stopwords.txt",
                      index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='utf-8')
words_df=words_df[~words_df.segment.isin(stopwords.stopword)]
print(len(words_df))
#去除停用词成功，没有停用词的词汇总量为24142

# 4.统计词频
words_stat=words_df.groupby(by=['segment'])['segment'].agg({"计数":np.size})  
words_stat=words_stat.reset_index().sort_values(by=["计数"],ascending=False)  
#print(words_stat.head())

# 5.绘图
wordcloud=WordCloud(font_path="data/simhei.ttf",background_color="white",max_font_size=80)  
word_frequence = {x[0]:x[1] for x in words_stat.head(1000).values}  
wordcloud=wordcloud.fit_words(word_frequence)  
plt.imshow(wordcloud)

4. 结果