Python（wordcloud）：根据文本数据（.txt文件）绘制词云图

一、前言

本文将介绍如何利用python来根据文本数据（.txt文件）绘制词云图，除了绘制常规形状的词云图（比如长方形），还可以指定词云图的形状。

二、相关库的介绍

1、安装相关的库

pip install jiebapip install matplotlibpip install wordcloudpip install numpypip install Image 

2、 导入相关的库

import jiebaimport matplotlib.pyplot as pltfrom wordcloud import WordCloudimport numpy as npfrom PIL import Image # 图像处理

3、 相关库的介绍

• jieba：

  结巴分词库，一个中文分词库。由于中文文本的每个汉字都是连续书写的，因此需要对文本进行分词来获得中文文本的每个词组，即分词。

• matplotlib.pyplot

  图像展示库。用来创建画布以及相关的图像展示。在绘图前，需要创建一个figure对象，即需要一张画板才能开始绘图。

• wordcloud ：

  词云展示库，可以根据文本的词频,对内容进行词云图的可视化。

• numpy

  numpy是Python的一个开源的数值计算扩展库，主要用于处理大型多维数组和矩阵，以及进行高效的数学运算，广泛应用于数据分析、机器学习、信号处理等领域。

• Image

  Image模块是一个强大的图像处理工具，提供了对图像文件的读写和处理的功能。也提供了各种功能和方法来处理和操作图像，包括加载、保存、调整大小、旋转、裁剪、应用滤镜等。

  三、数据处理

  1、中文分词

  • 中文分词可以将中文语句切割成单独的词组；
  • 中文分词的工具有很多，比如 python 的第三方库 jieba；
  • jieba 支持三种分词模式：全模式、精确模式、搜索引擎模式。结巴分词最主

    要的方法是 cut 方法

    （1）精确模式

    • 试图将句子最精确地切开，适合文本分析
    • 结巴分词默认为该模式

      jieba.cut("文本内容",cut_all=False)

      （2）全模式

      • 把句子中所有可以成词的词语都扫描出来，速度很快，但是不能解决歧义

        jieba.cut("文本内容",cut_all=True)

        （3）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

          2、去除停用词

          • 对中文来说，包括像“的”、“和”、“在”、“是”等副词、量词、介词、叹词、数词都是停用词。这些词汇几乎在所有中文文本都会出现，不具有特殊性,没有区分度，所以通常会把这些词从文本中去除；
          • 去除停用词需要一个停词表stopword.txt，将分词后的文本中每个词与停词字典中的条目进行匹配。如果匹配成功，该词将被删除；
          • 直接百度搜索停词表并下载就好了

            （由于本文用到的数据集的文本内容比较简单，因此没有执行去除停用词这一步的操作）

            四、实现

            1、绘制基本词云图

            （1）核心

            在以下代码中，根据实际更改文件的读取路径以及保存路径即可：

            （2）WordCloud 参数解释

            • 参数解释

              参数	解释
              width	词云图的宽度（默认400像素）
              height	词云图的高度（默认200像素）
              max_font_size	词云图字体的最大字号（根据图片高度自动调节）
              min_font_size	词云图字体的最小字号（默认为4号字体）
              max_words	词云图显示的最大单词数（默认200）
              stop_words	不显示的词语、单词
              mask	指定词云图的形状（默认为长方形）
              background_color	词云图的背景颜色（默认为黑色）
              font_path	字体文件的路径

              • 如果文本是中文的，需要设置字体，否则会乱码

                font_path = "C:\Windows\Fonts\Microsoft YaHei UI\msyh.ttc"

                （3）完整代码：

                import jiebaimport matplotlib.pyplot as pltfrom wordcloud import WordCloud# 读取文本文件text = open(r"C:\Users\abc\Desktop\词云图数据\grape.txt", encoding="utf-8").read()# 对文本进行分词，默认精确模式text1=jieba.cut(text)# 以空格作为分隔符，将分词后的所有字符串合并成一个新的字符串text = ' '.join(text1)# 根据分词结果产生词云wc = WordCloud(font_path = "C:\Windows\Fonts\Microsoft YaHei UI\msyh.ttc",width=500, height=400, mode="RGBA", background_color=None).generate(text)# 以图片的形式显示词云plt.imshow(wc, interpolation="bilinear")# 不显示图像坐标系plt.axis("off")# 显示图像plt.show()#保存词云图wc.to_file(r"\Users\abc\Desktop\res.png")

                • 以陈奕迅《葡萄成熟时》的歌词作为文本数据，词云图的结果如下：

                  2、绘制指定形状的词云图

                  • 有时候需要指定词云图的形状，我们可以通过导入背景图片作为词云图的底图来实现
                  • 注意：背景图片的背景一定要是白色的，不可以是其他颜色或者透明
                  • 以下面的葡萄图片作为背景图片：

                    （1）核心代码

                    需要使用numpy库以及Image库来对背景图片进行图像处理

                    • 词云图的结果如下：

                      （2）词云图优化

                      • 我们可以给背景图的轮廓进行清晰化，比如给轮廓添加粗度和颜色
                        • 优化后的词云图如下：

                          （3）完整代码：

                          import wordcloudimport jiebaimport matplotlib.pyplot as pltimport numpy as npfrom PIL import Image # 图像处理#打开背景图片pic = Image.open("grape.jpg")# 提取图片的轮廓shape = np.array(pic)# mask为图片背景，font_path为字体，若不设置可能乱码wc = wordcloud.WordCloud(mask=shape, font_path="simkai.ttf", background_color="white", contour_color='purple',contour_width=3,max_font_size=100)#读取要分词的文本文件text = open(r'C:\Users\abc\Desktop\词云图数据\grape.txt', "r", encoding='UTF-8').read()#结巴分词cut_text = jieba.cut(text)result = " ".join(cut_text)#生成词云图wc.generate(result)#保存词云图wc.to_file("cloud.jpg")# 以图片的形式显示词云plt.imshow(wc, interpolation="bilinear")# 不显示图像坐标系plt.axis("off")# 显示图像plt.show()