wordcloud词云可视化

安装：
pip install wordcloud(有时会有VC++ 14缺失的问题)

解决方案：
在github下载wordcloud的包（https://github.com/amueller/word_cloud/），解压缩后，在对应目录下用python setup.py install安装。

使用：

import pandas as pd
import jieba
from langconv import *                  #汉字繁简体转换，需下载langconv.py和zh_wiki.py文件，并将其放在与代码同一目录下
from tongyici import *                  #引用自定义同义词字典，tongyici.py需与代码在同一目录下
import re
from collections import Counter         #collections模块提供了一些有用的集合类，Counter是一个简单的计数器
#以上用于分词、以下用于词云可视化
import matplotlib.pyplot as plt
from wordcloud import WordCloud
import imageio#分词
# 转换繁体到简体
def fan_to_jian(line):line = Converter('zh-hans').convert(line)line.encode('utf-8')return line# 添加自定义分词
def add_word(list):for i in list:jieba.add_word(i)# 删除自定义分词
def del_word(list):for i in list:jieba.del_word(i)# 用jieba对商品名称进行文本分析
add_ci = ['3d max', 'altium designer', 'mac os', 'spring boot', 'android studio', 'deep learning ai', 'machine learning', 'visual c++', 'visual studio', 'cloud docker', 'atey ghalian', 'john park']
del_ci = ['视频教程', '自学教材']
add_word(add_ci)
del_word(del_ci)                        #或jieba.add_word('视频教程', 0)动态修改词典，使之分成视频和教程2个词
jieba.re_han_default = re.compile('(.+)', re.U) #用于解决中间带空格或其他特殊符号的单词分成多个词的问题
jieba.load_userdict('c:/ProgramData/Anaconda3/Lib/site-packages/jieba/mydict.txt')                        #导入自定义字典
file = pd.read_excel(r'c:\users\administrator\desktop\商品信息v2.0版.xlsx')                           #读取本地文件
title = list(file['商品名称'])           #商品名称转化成list
title_s = []                           #商品名称分词list
for line in title:text = fan_to_jian(line).lower()#将繁体字转换成简体字并将大写字母转换成小写title_cut = jieba.lcut(text)      #分词成list，lcut()函数返回list#替换同义词new_cut = []                       #替换同义词后的新数据for fenci in title_cut:              #替换同义词if fenci in dian:             #判断是否在字典中val = dian[fenci]         #获取同义词的统一词new_cut.append(val)else:new_cut.append(fenci)title_s.append(new_cut)
# print(title_s)
#导入停用词
stopwords = ['教程']                       #停用词list，可将停用词表中没有的先加入进去
for line in open(r'e:/Python/mypy/stopwords/中英文.txt', 'r+', encoding='utf-8'):stopwords.append(line.strip())#将停用词字典内容写入停用词list中备用
#剔除商品名称分词中的停用词
title_clear = []                       #剔除停用词后的商品名称分词
for line in title_s:line_clear = []                        #每个商品剔除停用词后的商品名称分词for word in line:if word not in stopwords and word.strip():   #判断分词不在停用词字典中，并且不为空line_clear.append(word.strip())   #去除词两侧的空格title_clear.append(line_clear)
# print(title_clear)
#去除每个商品名称中的重复分词，提高准确率
title_clear2 = []
for line in title_clear:line_clear2 = []for word in line:if word not in line_clear2:line_clear2.append(word.strip())title_clear2.append(line_clear2)
# print(title_clear2)
# 去除标点符号后将所有商品名称分词放入同一个list中
allwords = []
r = "[^0-9A-Za-z\u4e00-\u9fa5]"          #非数字、字母和汉字
for line in title_clear2:for word in line:ci = re.sub(r, '', word).strip()       #去除标点符号if ci:                           #ci若为空则原word为标点符号，如果ci不为空，则进行下步allwords.append(ci)
# print(allwords)
#把allwords列表转为DataFrame数据，类似表格
df_allwords = pd.DataFrame({'allwords':allwords})    #前面一个allwords为columns列的名称
# print(df_allwords)
#对过滤去重的词汇进行分类汇总
#value_counts()的作用是统计表格某列有多少不同值，并计算每个不同值在该列中有多少重复值，需要指定对哪一列或行使用。
#reset_index()的作用是重新设置DataFrame的连续行索引index。
word_count = df_allwords.allwords.value_counts().reset_index()
# print(word_count)
word_count.columns = ['word', 'count'] #重命名列的名称
print(word_count)
# 获取所有分词及出现次数(按出现次数降序排列)，需引用from collections import Counter
c = Counter(allwords).most_common()        #most_common(200)获取出现频率前200的分词及出现次数
# print(c)#词云可视化
pic = imageio.imread('white.bmp')        #读取图片，作为词云形状，white.bmp透明背景图
stopwords = set('')                      #设置停用词，适用于停用词较少时
stopwords.update(['教程'])              #添加新停用词
wc = WordCloud(font_path='ygyxsziti2.0.ttf', max_words=2000, stopwords='教程', background_color='black', mask=pic, max_font_size=60) #WordCloud()用于生成和绘制词云对象，background_color默认为黑色，此处设置为白色，stopwords使用jieba分词器时此处似乎无效，原因应该是下面的word_count中没有去除上面添加的停用词。
wc2 = wc.fit_words({x[0]:x[1] for x in word_count.head(200).values})   #fit_words()根据分词和词频创建一个词云,head(100)取前100个词进行可视化
plt.imshow(wc2, interpolation='bilinear')#imshow()在轴上显示图像，interpolation='bilinear'图优化，bilinear双线性
plt.axis('off')                           #axis()获取或设置轴属性，off为关闭轴线及标签(去边框)
# plt.savefig('e:/Python/mypy/数据分析/词云.jpg', dpi=200) #savefig()保存
wc2.to_file('e:/Python/mypy/数据分析/词云.jpg')             #to_file()保存
plt.show()                              #显示图像

参数说明：

font_path : string                           #字体路径，如：font_path = '黑体.ttf'，不指定字体中文会乱码，繁体字需使用对应字体（下载：正体(繁)中文点阵字Zfull-BIG5.ttf，使用时文件名必须去掉中文部分，且会将简体字也转化成繁体字输出）
width : int (default=400)                  #输出的画布宽度，默认为400像素
height : int (default=200)                     #输出的画布高度，默认为200像素
prefer_horizontal : float (default=0.90)   #词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）
mask : nd-array or None (default=None)         #如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。
除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imageio.imread('读取一张图片.png')，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存。
scale : float (default=1)                  #按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
min_font_size : int (default=4)            #显示的最小的字体大小
font_step : int (default=1)                #字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。
max_words : number (default=200)           #要显示的词的最大个数
stopwords : set of strings or None          #设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS
background_color : color value (default=”black”) #背景颜色，如background_color='white',背景颜色为白色。
max_font_size : int or None (default=None)     #显示的最大的字体大小
mode : string (default=”RGB”)              #当参数为“RGBA”并且background_color不为空时，背景为透明。
relative_scaling : float (default=.5)      #词频和字体大小的关联性
color_func : callable, default=None        #生成新颜色的函数，如果为空，则使用 self.color_func
regexp : string or None (optional)          #使用正则表达式分隔输入的文本
collocations : bool, default=True          #是否包括两个词的搭配
colormap : string or matplotlib colormap, default=”viridis” #给每个单词随机分配颜色，若指定color_func，则忽略该方法。
random_state : int or None                  #为每个词返回一个PIL颜色，设置有多少种随机生成状态，即有多少种配色方案
margin：int (default=2)                      #设置页面边距
ranks_only：default=None                     #是否只用词频排序而不是实际词频统计值（不确定是否是此作用）
normalize_plurals：bool, default=True        #移除单词末尾的's'
contour_width： float (default=0)            #如果mask(蒙版、遮罩)不是None且contour_width >0，则绘制蒙版轮廓。
contour_color：color value (default="black")#蒙版轮廓的颜色。
repeat：bool, default=False                  #是否重复单词和短语，直到达到max_words或min_font_size。
fit_words(frequencies)                      #根据词频生成词云【frequencies，为字典类型】
generate(text)                              #根据文本生成词云
generate_from_frequencies(frequencies[, ...]) #根据词频生成词云
generate_from_text(text)                    #根据文本生成词云
process_text(text)                          #将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）
recolor([random_state, color_func, colormap])#对现有输出重新着色。重新上色会比重新生成整个词云快很多。
to_array()                                  #转化为 numpy array
to_file(filename)                           #输出到文件

问题：
1、图片没有正常显示：
a、用plt.savefig(“此处是生成图片的路径”)来存储生成的云词图：
将plt.savefig放在plt.show之后，结果只生成了空白图。实际上在plt.show() 后已经创建了一个新的空白图片（坐标轴），这时再用plt.savefig() 就会保存这个新生成的空白图片。所以，只要把plt.savefig放在plt.show之前即可解决这个问题。
代码如下：plt.savefig(‘e:/Python/mypy/数据分析/词云.jpg’, dpi=200)
b、另一种输出图像的方式 .to_file：
在WordCloud中，自带.to_file可以将云词图输出到文件。
具体方法：将代码中plt.savefig一行替换为my.to_file(“e:/Python/mypy/数据分析/词云.jpg”)即可。
c、两种输出方式的区别：

plt.savefig默认尺寸和终端中显示的缩略图差不多大（432×288），可通过dpi调节精度改善清晰度。
.to_file，则输出的是每个字都精确显示的完整云词图，非常清晰，放大后可以看到连最小的字都是清晰完整地显示，当然默认尺寸也很大。
为方便对比，可见本文后面“WordCloud参数的调节”这部分里scale=2（使用plt.savefig输出，dpi=200）、scale=32（使用plt.savefig输出，dpi=200）、scale=2（使用.to_file输出）的3个云词图。

2、生成图像清晰度的调节（此部分为转载）：
a、图片大小和精度的影响：
用plt.savefig默认生成的图感觉不是很清晰，尺寸不够大，所以在plt.savefig中加上参数dpi调整精度。当然，同样一张图，精度越高，自然尺寸也是越大的。不过，精度调整成多少合适要看情况而定。虽然理论上精度越大就越清晰，但是在遮罩图、词数量等因素确定的情况下，有时候更大的精度只是把图的尺寸放大，但肉眼可见的清晰程度并不会真的就提高。
如果图太小太密集，那么可能是默认精度的局限导致不清晰。需要调整精度参数dpi放大图片。
但如果图片足够大，字看起来也不小，但是仍然不清晰，或者布局不自然，那么有可能是云词图生成时本身的参数设置问题。可见下面的描述。
b、WordCloud参数的调节：

my=WordCloud(background_color="white",max_words=2000,mask=coloring,max_font_size=60,random_state=42,scale=8,font_path="C:\Windows\Fonts\msyhbd.ttf").generate(word_space_split)      #这里word_space_split是前面生成的以空格分割的需要生成云词的词库字符串（str）

这里简要讲下几个影响图像清晰问题的WordCloud参数：
mask：遮罩图，字的大小布局和颜色都会依据遮罩图生成。理论上对字大小和清晰程度的影响不大，但是遮罩图色和背景色background_color如果易混淆，则可能是一个导致看起来不清晰的因素；另外遮罩图自身各个颜色之间的对比不强烈，也可能使图看起来层次感不够。比如，一些图明度比较高，再加上背景白色，有可能导致字色太浅（背景色background_color又是白色）于是看起来不够清晰。
background_color：背景色，默认黑色。其实这个本来也不怎么影响清晰度，但是，就像之前在mask中提到的，如果遮罩图像颜色过浅、背景设置白色，可能导致字看起来不清晰。实际上，对一个浅色遮罩图分别用白、黑两种背景色后发现，黑色背景的强烈对比之下会有若干很浅也很小的词浮现出来，而之前因背景色、字色过于相近而几乎无法用肉眼看出这些词。
mode：默认“RGB”。根据说明文档，如果想设置透明底色的云词图，可以设置background_color=None, mode=“RGBA”，但是！！！实际中尝试设置透明背景色并没有成功过！当选取的遮罩图是白色底时，如果background_color设置为"white"或"black"时，生成的云词确实是对应的“白色”“黑色”；但按照上述参数设置透明色时，结果出来依然是白色。当选取的遮罩图是透明底时，不管background_color设置为"white"或"black"，还是None加上mode=“RGBA”，结果都是把背景部分当做黑色图块，自动匹配黑色的字！也就是并没有实现透明底的云词（用“.to_file”输出即可实现透明底）。
底图1（白底，640×435）：

底图2（透明底，300×300）：

底图1与底图2生成云词图效果对比，除background_color和mode参数以外其它参数不变：

注：1. 两个底图尺寸也有点区别。生成的图片是用plt.savefig（参数dpi=200）保存，也可以看出生成图在布局上有差异。2. 本文中，其它云词图实例中，均是使用“底图1”（本身是白色底）这个图。
max_font_size：最大字号。图的生成会依据最大字号等因素自动判断词的布局。经测试，哪怕同一个图像，只要图本身尺寸不一样（比如把一个300×300的图拉大到600×600再去当遮罩），那么同样的字号也会有不同的效果。原理是字号决定了字的尺寸，而图的尺寸变了以后，最大字相对于图的尺寸比例自然就变了。所以，需要根据期望显示的效果，调整最大字号参数值。
min_font_size：最小字号。不设置的情况下，默认是4。设置比4大的字号，例如8、10，结果原本小于设定值且大于4号的词都不显示了，其它内容和未设置该值时都一样。
relative_scaling：表示词频和云词图中字大小的关系参数，默认0.5。为0时，表示只考虑词排序，而不考虑词频数；为1时，表示两倍词频的词也会用两倍字号显示。本文中的案例，均用默认值，未特别设置该参数。
scale：当云词图很大时，加大该值会比使用更大的图更快，但值越高也会越慢（计算更复杂）。默认值是1。实际测试中，更大的值，确实输出图像看起来更精细（较小较浅的词会颜色更重，也感觉清楚，大的词差异不明显）。经测试，在词没有很多（这里len(word_space_split)=6310）且图没有很大的情况下，词不变，图不变，则scale越大，运行速度越慢。实际上，案例中取“32”时已经比“2”慢了很多秒，这个时间差可以体会到。另外经测试发现，其它参数完全相同情况下，scale越大，图片占空间越小。这里scale分别取“2”“10”“32”时，获得的图片大小分别为207K、110K、75.8K。（这里图用plt.savefig输出，dpi=200，实际输出尺寸为1200×800。）
下面选取底图1时scale分别取“2”“10”“32”的缩略效果图：

是不是没看出什么区别？那么下面放下“2”“32”对应的云词图本身。
scale=2的云词图如下（使用plt.savefig输出，dpi=200）：

scale=32的云词图如下（使用plt.savefig输出，dpi=200）：

scale=2的云词图如下（使用.to_file输出）：

注：可以注意上面3个图中，右上方“唯有”字样的右上角“如同”字样（较小字）的显示差异，进行对比。
random_state：不同的值会让字图的分布不一样。

注：这里的云词图案例中，词库里“1f60a”之类的字符没有去掉，这些本来是代表某些emoji的。个人觉得这不算乱码，所以留着了。

wordcloud词云可视化相关推荐

Python 数据可视化：WordCloud 词云的构建
WordCloud 官方文档:https://amueller.github.io/word_cloud/index.html WordCloud GitHub 地址:https://github.c ...
WordCloud词云实现电视剧评论可视化
以腾讯视频平台上电视剧<琅琊榜>为例,爬取评论进行可视化汇总 1.首先浏览器打开腾讯视频网站播放<琅琊榜>,按F12进入开发者工具调试,点击网页上"查看更多评论&qu ...
下c语言实现wc_用 Python 实现词云可视化
词云是一种非常漂亮的可视化展示方式,正所谓一图胜过千言万语,词云在之前的项目中我也有过很多的使用,可能对于我来说,一种很好的自我介绍方式就是词云吧,就像下面这样的: 个人觉还是会比枯燥的文字语言描述性 ...
酷炫多彩的个性化词云可视化
词云可视化可以说是基本上所有做文本分析相关任务的同学都不陌生的东西了,市面上也有几款不错的词云可视化模块,我用的最多的还是大名鼎鼎的wodcloud,相信绝大多数的人用的也是这一款词云可视化模块,官方 ...
文本数据的词云可视化
1.使用python实现文本数据的词云可视化,阐述词云原理,数据源可以自行选定: 2.实现文本数据的one-hot编码.Bag-of-word模型,将过程阐述清楚,数据源可以自行选定: 词云可视化随 ...
用Python做词云可视化带你分析海贼王、火影和死神三大经典动漫
对于动漫爱好者来说,海贼王.火影.死神三大动漫神作你肯定肯定不陌生了.小编身边很多的同事仍然深爱着这些经典神作,可见"中毒"至深.今天小编利用Python大法带大家分析一下这些神作 ...
Python大佬用词云可视化带你分析海贼王、火影和死神三大经典动漫
对于动漫爱好者来说,海贼王.火影.死神三大动漫神作你肯定肯定不陌生了.小编身边很多的同事仍然深爱着这些经典神作,可见"中毒"至深.利用Python大法带大家分析一下这些神作,看看这 ...
R语言对耐克NIKEID新浪微博数据K均值(K-MEANS)聚类文本挖掘和词云可视化
全文链接:http://tecdat.cn/?p=31048 2009年8月,新浪微博(micro-blog)开始服务,随后各家微博服务在国内得到广泛传播和应用"(点击文末"阅读原 ...
词云可视化：四行Python代码轻松上手到精通
词云可视化:四行Python代码轻松上手到精通文章目录词云可视化:四行Python代码轻松上手到精通本课概要关于本课程 `粉丝答疑交流QQ群:953712961` `微信赞赏码` 不需要写代码 ...

wordcloud词云可视化

wordcloud词云可视化相关推荐

最新文章

热门文章