数据可视化之词云wordcloud

Wordcloud 是一个生成词云的 Python 包，可以以词语为基本单位更加直观和艺术的展示文本，呈现效果类似标签云。这里主要讲解下如何使用。

wordcloud 使用文档

所有函数均封装在 WordCloud 类里:

• WordCloud([…]) 生成并绘制 WordCloud 对象
• ImageColorGenerator(image) 词云颜色生成器（基于图片颜色）
• random_color_func([]) 词云颜色随机生成

wordcloud.WordCloud

class wordcloud.WordCloud(font_path=None, width=400, height=200, margin=2, ranks_only=None, prefer_horizontal=0.9, mask=None, scale=1, color_func=None, max_words=200, min_font_size=4, stopwords=None, random_state=None, background_color='black', max_font_size=None, font_step=1, mode='RGB', relative_scaling=0.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True)

参数：

• font_path: string 需要使用的字体路径(支持 OTF 和 TTF)。英文可以不进行设置，如果要呈现中文，则必须设置为中文字体，否则会显示乱码。
• width: int (default=400) 画布的宽度。
• height: int (default=200) 画布的高度。
• prefer_horizontal: float (default=0.90) 尝试水平摆放字体和垂直摆放字体的比例，若 prefer_horizontal<1，当摆放不合适的时候，算法将尝试旋转单词。目前没有内置的方法来获取垂直单词
• mask: nd-array or None (default=None) 背景图形，如果想根据图片绘制，则需要设置
• scale: float (default=1) 计算值和绘图之间的缩放比例。对于大型文字云图像，使用缩放而不是较大的画布尺寸要快得多，但可能导致较粗糙的文字。
• min_font_size: int (default=4) 使用最小的字体大小。当没有更多的空间时停止绘制。
• font_step: int (default=1) 字体的步长。font_step>1 时可能会加快计算速度，但会导致糟糕的字体适应性布局。
• max_words: number (default=200) 单词的最大数目。
• stopwords: set of strings or None 停用词集合，这些词将被忽略。如果没有，则将使用内置的 STOPWORDS 列表。
• background_color: color value (default=”black”) 词云图像的背景颜色。
• max_font_size: int or None (default=None) 使用的最大字体大小。默认使用图像的高度。
• mode: string (default=”RGB”) 当模式为“RGBA”且 background_color 为 None 时，会生成透明背景。
• relative_scaling: float (default=.5) 字体大小的相对单词频率的重要性。relative_scaling=0 时，只考虑单词等级。使用 relative_scaling=1 时，频繁两倍的单词将具有两倍的大小。如果你想考虑单词的频率，而不仅仅是他们的等级，那么 5 左右的 relative_scaling 通常看起来不错。
• color_func: callable, default=None 可用参数关键字 font_size, position, orientation, font_path, random_state 调用，它为每个单词返回一个 PIL 颜色。覆盖”colormap”。请参阅 colormap 来指定 matplotlib 的颜色映射。
• regexp: string or None (optional) 正则表达式将输入文本拆分为待处理文本中的标记。如果指定 None，则使用 r“\w[\w’]+”。
• collocations: bool, default=True 是否包含两个词的搭配（bigrams），默认为 True。
• colormap: string or matplotlib colormap, default=”viridis”matplotlib 色图，可更改名称进而更改整体风格
• Matplotlib 色彩映射表为每个单词随机绘制颜色。如果指定了“color_func”，则忽略。
• normalize_plurals: bool, default=True 是否从文字中删除“尾随”。如果为真，当出现以’s’结尾的单词，则以’s’结尾的单词将被删除，并将其计数添加到没有’s’结尾的版本，以’ss’结尾的单词被忽略。

注意：较大的画布使代码明显变慢。如果您需要较大的单词云，请尝试较小的画布大小，然后设置缩放参数。根据最大字体大小和缩放启发式算法，相比单词实际出现的频率，算法可能会给单词的等级更多的权重。

初始化实例（默认值）:

__init__(font_path=None, width=400, height=200, margin=2, ranks_only=None, prefer_horizontal=0.9, mask=None, scale=1, color_func=None, max_words=200, min_font_size=4, stopwords=None, random_state=None, background_color='black', max_font_size=None, font_step=1, mode='RGB', relative_scaling=0.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True)

属性：

• words_ (dict of string to float) 单词标识对应其出现次数，如{‘hello’:90,’good’:30}..versionchanged:2.0 words_: 现在是一个字典
• layout_ (list of tuples (string, int, (int, int), int, color))) 编码拟合词云，为每个单词编码字符串，字体大小，位置，方向和颜色。

方法：

• fit_words(frequencies) 根据单词和频率创建一个 word_cloud。别名为 generate_from_frequencies。参数: frequencies: array of tuples 元组包含单词及其频率。Note: 最新版已经改为字典了。
• generate_from_frequencies(frequencies, max_font_size=None) 根据单词和频率创建词云。参数: frequencies: dict from string to float 字典包含单词及其频率。max_font_size: int 使用此最大字体大，而不是 max_font_size
• generate(text) 从文本生成 wordcloud。别名 generate_from_text。实际调用 process_text 和 generate_from_frequencies。
• generate_from_text(text) 从文本生成 wordcloud。实际调用 process_text 和 generate_from_frequencies。
• process_text(text) 将长文本拆分为单词，去除停用词(敏感词)。
• recolor(random_state=None, color_func=None, colormap=None) 重新着色现有布局。
• to_array() 转换为 numpy 数组。词云图像作为 numpy 矩阵。
• to_file(filename) 导出为图像文件。

wordcloud.ImageColorGenerator

class wordcloud.ImageColorGenerator(image) 基于彩色图像的颜色生成器。根据 RGB 图像生成颜色。一个单词将使用彩色图像中包围矩形的平均颜色进行着色。构造完成后，该对象充当可调用对象，可以将其作为 color_func 传递给 WordCloud 类的构造函数或 recolor 这个重新着色方法。

参数：

• image: n 维矩阵, shape (height, width, 3) 用于生成文字颜色的图像。Alpha 通道被忽略。对于 wordcloud 实例，这应该和画布大小相同。

wordcloud.random_color_func

wordcloud.random_color_func(word=None, font_size=None, position=None, orientation=None, font_path=None, random_state=None) 随机色调颜色生成。默认着色方法。这只是随机选择一个值为 80％ 和光照 50％ 的色调。

参数：

• word, font_size, position, orientation: ignored.
• random_state: random.Random object or None, (default=None) 如果给定了一个随机对象，则用它来生成随机数。

Wordcloud 实战：基于 tf-idf 生成词云

网上的很多文章都是基于词频生成词云，这里来进一步实践通过 tf-idf 生成词云，让”关键词”更加突出。

1、使用词频方式生成词云

import jieba
from collections import Counter
from wordcloud import WordCloud
import matplotlib.pyplot as plt

with open("data/2019年国务院政府工作报告.txt", encoding="utf-8") as f:
    content = f.read()

with open("data/CNENstopwords.txt", encoding="utf-8") as f:
    stopwords = f.read()

text = jieba.cut(content)

new_text = []
for w in text:
    if w not in stopwords:
        new_text.append(w)
counter = Counter(new_text)

wordcloud = WordCloud(font_path="font/FZYingXueJW.TTF", background_color="white", width=800, height=600)
wordcloud.generate_from_frequencies(dict(counter.most_common(50)))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()

2、使用 tf-idf 方式生成词云

import jieba.analyse
from wordcloud import WordCloud
import matplotlib.pyplot as plt

with open("data/2019年国务院政府工作报告.txt", encoding="utf-8") as f:
    content = f.read()
tags = jieba.analyse.extract_tags(content, topK=50, withWeight=True)
wordcloud = WordCloud(font_path="font/FZYingXueJW.TTF", background_color="white", width=800, height=600)
wordcloud.generate_from_frequencies(dict(tags))
plt.imshow(wordcloud, interpolation="bilinear")
plt.axis("off")
plt.show()

从上面两张图可以看到两者还是存在很大的区别的。

参考链接：

• https://amueller.github.io/word_cloud/index.html
• https://github.com/amueller/word_cloud