理论与实战：一篇看懂Python词云

前言：本文初编辑于2024年2月2日

该项目代码的仓库地址：https://github.com/A-Piece-Of-Maple/WordCloud

CSDN：https://blog.csdn.net/rvdgdsva

博客园：https://www.cnblogs.com/hassle

总结

截至2024.2.2，想要学习词云，能够找到的文章大部分都是【基于文本生成的词云（使用ganerate）】，而不是【基于频率生成的词云（使用generate_from_frequencies）】，而且功能各有残缺，有些API还没有解释清楚，到头来还是要自己总结一下各个零散帖子的精华做一篇新人指导

本程序中文可用，按照词语频率分布，Python实现，调用jieba中文分词库和wordcloud库，支持停用词，支持自定义词组，支持自定义图片背景，支持自定义文字对应图片颜色

实现原理

导入一篇txt文档，使用jieba库对文档中的文字进行分词，计算各个词汇出现的频率，使用wordcloud库按照词汇频率的大小生成词云。

注意，不是使用wordcloud.generate()，这个方法没有按照词汇频率的方式实现词云

停用词

在讲区别之前，来看看停用词是什么。下面是不调用停用词的词云，观感很差对吧。

实现方式区别

【基于文本生成词云】：txt文章->调用wordcloud.generate()，内部调用停用词->保存图片

这种方法观感很差

【基于频率生成词云】：txt文章->分词->去空格空行->自己手动去除停用词->计算频率生成字典->调用wordcloud.generate_from_frequencies()->保存图

这种方法是理想方法

注意!wordcloud.generate()的参数是字符串，wordcloud.generate_from_frequencies()的参数是字典

你们会注意到，【基于频率生成词云】操作会麻烦一些，需要手动去除停用词。笨方法，但是有用。

看源码，对于stopword的操作，如果调用WordCloud()进行对象的创建，这个创建过程是没有办法处理字典元素的，很蠢

stopwords = set([i.lower() for i in self.stopwords])
if self.collocations:
    word_counts = unigrams_and_bigrams(words, stopwords, self.normalize_plurals, self.collocation_threshold)
else:
    words = [word for word in words if word.lower() not in stopwords]
    word_counts, _ = process_tokens(words, self.normalize_plurals)

介绍库

Jieba库

jieba库是一个方便实用的中文文本分词工具，被广泛应用于中文文本处理和自然语言处理的各个领域。支持三种分词模式：精确模式、全模式和搜索引擎模式。本文使用全模式。

如果想对jieba库的分词模式有更深入的了解，可以看这篇：jieba分词有哪些模式？

Wordcloud库

wordcloud是一个用于生成词云图的Python库。词云图是一种可视化方式，通过将文本中的单词按照频率和重要性进行布局，形成一个类似云朵的图形，其中频率高的单词通常显示得更大、更突出。

代码+解释

导入相关库

from os import path
import jieba
from collections import Counter
from wordcloud import WordCloud, ImageColorGenerator
import numpy as np
from PIL import Image

from os import path: 导入os模块中的path子模块。path模块提供了与文件路径相关的功能，例如文件路径的拼接、判断路径是否存在等。

import jieba: 导入jieba模块。jieba是一个中文分词库，用于将中文文本分割成单词或词语。

from collections import Counter: 从collections模块中导入Counter类。Counter是一个用于计数的工具类，可以用于统计元素出现的次数。

from wordcloud import WordCloud, ImageColorGenerator: 从wordcloud模块中导入WordCloud和ImageColorGenerator类。WordCloud是一个用于生成词云的工具，ImageColorGenerator用于生成基于图像颜色的词云。

import numpy as np: 导入numpy模块，并将其命名为np。numpy是一个用于进行科学计算的库，提供了高效的数组操作和数值计算功能。

from PIL import Image: 从PIL模块中导入Image类。PIL是Python Imaging Library的缩写，提供了图像处理的功能，Image类用于表示和操作图像。

路径设置

# 获取路径
d = path.dirname(__file__)

这行代码用于获取当前脚本文件的目录路径，并将其赋值给变量d。

# 下面四个自行变换
TXT_path = path.join(d, 'doc//浪潮之巅.txt')  # 文本
MASK_path = path.join(d, 'pic//雾雨魔理沙.png')  # 图片
STOPWORDS_path = path.join(d, r'doc//stopwords_cn.txt')  # 停用词
FONT_path = path.join(d, 'font//msyh.ttf')  # 字体
USERDICT_path = path.join(d, 'doc//自定义词组.txt')

这些行代码定义了几个文件的路径，包括文本文件路径TXT_path、图片文件路径MASK_path、停用词文件路径STOPWORDS_path、字体文件路径FONT_path和自定义词典文件路径USERDICT_path。这些文件路径可以根据实际情况进行修改。

# 找到txt文件
text = open(TXT_path, encoding='UTF-8').read()

这行代码打开指定路径的文本文件，并将文件内容读取到变量text中。

# 找到mask文件
mask = np.array(Image.open(MASK_path))

这行代码打开指定路径的图片文件，并将其转换为numpy数组，存储在变量mask中。这个图片将用作词云的形状。

# 导入自定义词典
jieba.load_userdict(USERDICT_path)

这行代码导入自定义词典，以便中文分词时使用。自定义词典包含一些用户指定的词语，可以影响分词结果。

准备工作

# 提取背景颜色
bg_color = ImageColorGenerator(mask, default_color=None)

这行代码根据图片的颜色生成背景颜色生成器，用于词云的颜色设置。

# 若是中文文本，则先进行分词操作
# cut_all是分词模式，True是全模式，False是精准模式，默认False
wordTemp = jieba.lcut(text, cut_all=True)

这行代码使用jieba对文本进行分词操作，将分词结果存储在变量wordTemp中。cut_all=True表示使用全模式，即将文本中的所有可能成词的部分都进行切分。

words = []
# 设定停用词表
stopword = [line.strip() for line in open(STOPWORDS_path, 'r', encoding='UTF-8').readlines()]
# 载入词
for w in wordTemp:
    if w not in stopword:
        words.append(w)

这部分代码对分词结果进行处理，首先定义一个空列表words。然后从停用词表中加载停用词，停用词表文件的路径由STOPWORDS_path指定。接下来，对每个分词结果进行检查，如果它不在停用词表中，就将其添加到words列表中。

# 去除空格
words = [item.strip() for item in words if item.strip() != '']

这行代码对words列表中的每个词去除首尾的空格。

# 去停用词之后的词频统计结果
frequency = dict(Counter(words))

这行代码使用Counter类对去除停用词之后的词列表进行词频统计，结果存储在字典frequency中。

生成词云

wc = WordCloud(background_color="white",  # 设置背景颜色
               max_words=500,  # 词云显示的最大词数
               mask=mask,  # 设置背景图片
               font_path=FONT_path, 这行代码创建了一个`WordCloud`对象`wc`，用于生成词云图。其中的
# 词频生成词云
wc.generate_from_frequencies(frequency)
# 文本生成词云
# wc.generate(text)

background_color：词云的背景颜色，这里设置为白色。

max_words：词云显示的最大词数，这里设置为500。

mask：词云的背景图片，使用之前读取的图片数组mask。

font_path：词云中使用的字体文件路径，由变量FONT_path指定。

这部分代码用于生成词云。根据词频统计结果frequency生成词云图，方法是调用generate_from_frequencies函数。另外，也可以根据文本生成词云，将注释的一行取消注释即可。

WordCloud参数详解看这里：词云-WordCloud参数详解

wc.to_file('output.png')

这行代码将生成的词云图保存为名为output.png的文件。

综上所述，这段代码的功能是读取指定的文本文件并进行中文分词，然后根据分词结果生成词云图，并将生成的词云图保存为文件。