本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
以下文章来源于仓储进化 ，作者 小无为
身边总是不经意间能看到词云的效果图。本章介绍python实现词云的方法。效果如下：
(词云--出现频率越多的词，字体越大 )
工具篇
1、安装可视化库
pip3 install matplotlib
( matplotlib 是专业的python可视化库，可用来生成各种各样的图表。也是二级考试里面推荐的可视化库。)
2、安装词云库， 用来生成词云图片信息的
pip3 install wordcloud
3、安装 “结巴” 库， 这个名字起的真接地气， 给开发者点个赞
pip3 install jieba
这个库用来解析中文，把一句话解析成一个个的词，
我们中文不像英文每个词之间有空格。需要根据语义分析拆分成词组
我们用《剑雨》的一段对话举例：
import jieba #引入结巴库
str='师傅，他为何说禅机已到,\
佛祖点化世人讲究机缘,\
禅机一过缘即灭矣,\
而禅机未到虽点亦不中
我愿化身石桥又是何意'
print(str)
# 解析拆分词组 lcut的方法
words = jieba.lcut(str)
print(words)
效果如下：
（ 把完整的句子拆分成一个个的词，看着断断续续，可能这就是结巴的由来吧，【拆词】最难的这部分，结巴库都做好了，这也是python强大的原因吧，各式各样的库都有了 ）
结巴库
网上下载txt格式的《西游记》,
下载完成后转换成utf-8格式再保存一下。
转化方法：记事本另存为的时候，选择编码格式UTF-8
稍微、稍微、稍微列一下涉及到的知识点
( 不要被吓到，不难，都是二级考试要求的内容 )
- print的format的格式化输出
- for 循环用法
- 文件的开打，读取，关闭，文件路径
- 数组，python不叫数组，叫list列表
- python的字典类型 key:value,类似java的map类型或者json对象
准备工作：
- 西游记和python文件可放到一个目录，引用起来方便，直接文件名就 ok，不用写路径了，
- 拷贝一个中文字体库，放到同目录下，也是为了引入方便，在Windows的C:\Windows\Fonts里面，随便找一个中文字体，就行，否则生成的图片都是乱码， （也可以用绝对路径直接指定）
- 准备几张图片，词云支持按指定的图片形状显示，比如心形，五角星，汽包，或者人像等等，但要求图片是白色背景
format 格式化输出：
#列标题 format
print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率')){0:<5} ：
0 表示序号：第一个参数，第一列，
< 左对齐， > 右对齐
5 代表宽度
任务一：统计西游记里面出现频率最高的10个词：
后面为了方便，我们把这个叫主代码。
#引入结巴库
import jieba
#open 内置函数 不需要引用 直接使用
#开打文件西游记和python 文件放到同一个目录，可直接引用不需要路径
f = open('西游记.txt', 'r' ,encoding='utf-8' )
# 查看文件的编码格式
print('文件的编码格式:'+f.encoding)
#读取文件
txt = f.read()
#关闭文件，良好的习惯
f.close()
# 使用精确模式对文本进行分词
# 使用结巴库把西游拆分成一个个的词组
words = jieba.lcut(txt)
# 通过键值对的形式存储词语及其出现的次数
# 大括号表示 python的字典类型对应，
# 键值对 key:value1 ,类似java的map对象和list
counts = {}
chiyun = []
for word in words:
# == 1 单个词语不计算在内
if len(word) < 2 :
continue
else:
# 遍历所有词语，每出现一次其对应的值加 1
counts[word] = counts.get(word, 0) + 1
#将键值对转换成列表
items = list(counts.items())
# 根据词语出现的次数进行从大到小排序
items.sort(key=lambda x: x[1], reverse=True)
#列标题 format
print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率'))
#需要显示的范围 10即显示前10个，0到9
for i in range(10):
word, count = items[i]
print("{0:<5}{1:<8}{2:>5}".format(i+1,word, count))效果如下：
行者 妥妥的第一主角。
我预期的师徒四人后，就应该有观音
我们看前20是否有观音，在主代码里的第39行代码for循环的范围改成20
for i in range(20):
还是没有观音， 放出前100,200,300 到500在看：
终于出现了，在349位，重复61次，
应该是有哪里问题，直觉判断不止61次重复
任务二：统计四个字重新次数
把上面主代码25行，改成小于4，即长度小于4个的词不统计
if len(word) < 4 : 效果如下：
预知后事如何，请听下回分解，‘下回分解’排第二合理。
悟空每次打妖怪都要吹下牛，在洞口报个名：我是五百年前大闹天宫的齐天大圣，这两个词出现在前10 合理。
词云库
我们在梳理下流程：
注意下：结巴库不是必须，主要是用来把句子拆分成词，如果你已经有统计好的词组，可直接用词云显示。
试一个简单的：我们手工创建个词组，直接用词云显示出来。即绕开结巴库了
from wordcloud import WordCloud
# python的可视化库，也是二级考试推荐的可视化库
import matplotlib.pyplot as plt
str=['齐天大圣','大圣','大圣','八戒','嫦娥']
#数组里面添加内容
str.append('玉兔')
str.append('女儿国')
str.append('牛魔王')
str.append('大圣')
str.append('土地公公')
str.append('小神仙')
str.append('八戒')
print(str)
#join 函数 用斜杆拼接词组mask =maskph,
#这里一定要join拼接一下 转成字符串
text_cut = '/'.join(str)
#看一下连接后的样子
#关键点 text_cut 是词云要处理的内容
print(text_cut)
wordcloud = WordCloud( background_color='white',font_path = 'msyh.ttc', width=1000, height=860, margin=2).generate(text_cut)
# 显示图片
plt.imshow(wordcloud)
plt.axis('off')
plt.show()
可观察下效果图：主要join后的输出，用/拼接成了一个字符串：
效果图：
(大圣和八戒出现次数多，字体最大)
词云图
先把全代码放上，后面实例在解析：
这段可先略过，下面直接看效果图：
#引入结巴库
import jieba
#词云库
from wordcloud import WordCloud
# python的可视化库，也是二级考试推荐的可视化库
import matplotlib.pyplot as plt
from PIL import Image #处理图片的
#矩阵 好像也是协助处理图片的
import numpy as np
#open 内置函数 不需要引用 直接使用
#开打文件西游记和python 文件放到同一个目录，可直接引用不需要路径
f = open('西游记.txt', 'r' ,encoding='utf-8' )
# 查看文件的编码格式
print('文件的编码格式:'+f.encoding)
#读取文件
txt = f.read()
#关闭文件，良好的习惯
f.close()
# 使用精确模式对文本进行分词
# 使用结巴库把西游拆分成一个个的词组
words = jieba.lcut(txt)
# 通过键值对的形式存储词语及其出现的次数
# 大括号表示 python的字典类型对应，
# 键值对 key:value1 ,类似java的map对象和list
counts = {}
#数组对象 用来接收需要传递给词云的内容
chiyun = []
for word in words:
# == 1 单个词语不计算在内
if len(word) < 2 :
continue
else:
# 遍历所有词语，每出现一次其对应的值加 1
counts[word] = counts.get(word, 0) + 1
#将键值对转换成列表
items = list(counts.items())
# 根据词语出现的次数进行从大到小排序
items.sort(key=lambda x: x[1], reverse=True)
#列标题 format
print("{0:<5}{1:<8}{2:<5}".format('序号','词语', '频率'))
#需要显示的范围 10即显示前10个，0到9
for i in range(80):
word, count = items[i]
print("{0:<5}{1:<8}{2:>5}".format(i+1,word, count))
chiyun.append(word)
#print(chiyun)
#加载图片信息
maskph = np.array(Image.open('山东舰航母.png'))
#join 函数 用斜杆拼接词组
text_cut = '/'.join(chiyun)
wordcloud = WordCloud(mask =maskph, background_color='white',font_path = 'msyh.ttc', width=1000, height=860, margin=2).generate(text_cut)
# 显示图片
plt.imshow(wordcloud)
plt.axis('off')
plt.show()
效果1：全部显示
即：结巴库处理好的词组，不做限制，全部送给词云显示：
显示二：限定内容显示
比如改成 只输出前20个词：（显示密度会稀好多）
即：结巴库处理好后，取前20个高频词传给词云显示：
（ 这个二级教材里面没有哈 ）
再试一下前20的 四个字的词：
