1月9日被誉为中国最牛的产品经理张小龙做了微信的年度演讲[1]，引爆朋友圈。

1月10日采铜写了篇《张小龙四个小时的演讲没有讲什么?》[2]，又引爆朋友圈。在现在几乎所有人张口就谈“认知升级”、“底层逻辑”等词的时代，这篇文章用数据阐述了张小龙在演讲想表达什么。我觉得特别好玩的是，有很多大家都在说的词，耳朵里听出老茧的词，他一个字都没提。为什么呢？也许他的词典里根本没有这样的词，也许有但是他觉得根本不重要。反正，从这些他没有用的词中，我看到了值得思考的东西。

统计文章的词频，给我提供了一个新的思路，能不能用python统计高频词呢？肯定是可以的。先放出一张最终结果图，有一个更直观的体验。下面就是我们如何一步一步实现这样的过程，Here we go！

这里使用python的jieba库(感谢开发)对中文进行分词。

首先需要安装分词库。打开终端，输入以下命令行。1$ pip install jieba若提示没有安装pip，则自行在网络中搜索pip 并安装。

将演讲(或其他)内容保存复制为report.txt，与py程序文件放在同一文件夹下，在终端运行以下程序[3-6]：1

2

3

4

5

6

7

8

9

10

11

12

13

14from collections import Counter

import jieba # 导入jieba库

f = open('report.txt').read() # 打开report.txt文档

words = list([word for word in jieba.cut(f, cut_all=False) if len(word) >= 2]) # 分词

data = dict(Counter(words).most_common(50)) # 统计词频，并以Dictionary的方式存储在data中，选择前50个高频词

# 打印高频词和出现次数

for key, value in data.items():

print key.encode('utf-8'), value

此处有几个地方解释一下：

(a) words = list([word for word in jieba.cut(f, cut_all=False) if len(word) >= 2]) 程序较为复杂，将分词功能和 If 判断放在一起。1

2

3

4

5seg_list = jieba.cut("我来到北京清华大学", cut_all=True)

print("Full Mode: " + "/ ".join(seg_list)) # 全模式

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)

print("Default Mode: " + "/ ".join(seg_list))

输出为：1

2> Full Mode: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

> Default Mode: 我/ 来到/ 北京/ 清华大学这里就能发现，设置cut_all = True 会将词语重复判断[7]，【清华大学】会被划分成【清华】、【清华大学】、【华大】、【大学】。

(b). 这里利用Counter对象的函数，统计每个词出现的次数，并转化为字典(dict)。

(c). 程序最后的 For 循环将字典(dict)内的内容输出，在key.encode('utf-8')中添加了编码功能，是因为原来格式为unicode所致，对于python中gbk、unicode和str的编码转换，在此不赘述。

OK，以上程序就完成了对内容的高频词统计，也可以在上述程序后添加以下代码，将统计结果保存成txt，若要保存成excel，则需要导入其他python库。1

2

3

4fil = open("stat.txt",'w')

for key, value in data.items():

fil.write("%st%dn" % (key.encode('utf-8'), value))

fil.close()可以尝试将代码中的.encode('utf-8')去掉，改成fw.write("%st%dn" % (key, value))，看看保存的效果哦。

2. 清洗数据

我们已经将长度大于等于2的词统计出来，为展示直观，将这些高频词的词云展示如下：

从这里会发现有些词是没有太多意义的，例如：一个、来说、并且、所以等。下面就需要进行数据清洗，去掉一些无意义的词。由于分词是记录在words这个列表内的，因此需要对words进行清洗。1

2

3

4

5

6

7

8

9

10exclude_words = ["一个","虽然","东西","包括","来说","但是","这个","这里"]

for word in words[:]:

if word.encode('utf-8') in exclude_words[:]:

words.remove(word)

a = []

for word in words:

a.append(word)

txt = r' '.join(a)

这里简单列出列出一些需要清洗的词。通过 For 循环列表元素，用 If 判断词语是否在排除列表中，满足条件则用将其删除[8]。注意，这里列表使用的是for word in words[:]:，而不是for word in words:，这里需要全部遍历。若使用for word in words:的话，会出现不完全遍历。

最后将清洗过的数据以一定格式保存在txt内。

当然也可以反向的方法：如果你有关键词词库，可以查看演讲中是否出现关键词库中的词。1

2

3

4

5

6

7exclude_words = ["一个","虽然","东西","包括","来说","但是","这个","这里"]

for word in words[:]:

if word.encode('utf-8') in exclude_words[:]:

pass

else:

words.remove(word)

既然我们已经将相关词汇统计并清理，下面介绍如何制作词云，数据可视化。

3. 绘制词云

绘制词云需要预先安装wordcloud库1$ pip install wordcloud

之后就可以绘制词云了。1

2

3

4

5

6

7

8

9

10

11

12

13

14from wordcloud import WordCloud

import numpy as np

from PIL import Image

fpath='/Libary/Fonts/Songti.ttc'

wordcloud = WordCloud(font_path= fpath,background_color='white').generate(txt)

wordcloud.to_file("wordcloud.jpg") #保存图片

import matplotlib.pyplot as plt

plt.imshow(wordcloud, interpolation ="bilinear")

plt.axis("off")

plt.show()

绘制词云后，可以将词云添加背景，将词云按照一定的方式排列，将代码修改如下：1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23from wordcloud import WordCloud

import numpy as np

from PIL import Image

fpath='/Libary/Fonts/Songti.ttc'

d = path.dirname(__file__)

color_mask = np.array(Image.open(path.join(d, "background.jpg")))

cloud = WordCloud(

font_path=fpath,

background_color='white',#设置背景色

mask=color_mask, #词云形状

max_words=200, #允许最大词汇

max_font_size=40, #最大号字体

random_state=42

)

wordcloud = cloud.generate(txt)

import matplotlib.pyplot as plt

plt.imshow(wordcloud, interpolation ="bilinear")

plt.axis("off")

plt.show()需要将backgroud.jpg的背景图片放在同一文件夹。

以下放出两张基于 TESLA 和Mixin 背景做的词云。

从上图TESLA背景的词云中可以看出，张小龙的演讲最重要的是“我们”。

注： 本文程序基于Mac OS系统，python2.7。

Logs

2019-01-13: 补充代码、写文章

2019-01-12: 写文章、修改代码

2019-01-11: 运行代码

2019-01-10: 查阅文章