Python数据可视化：词云库的讲解和如何制作词云

  • Z时代
  • 2024-01-10
  • 分类：综合

python

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 )

  1. print的format的格式化输出

  2. for 循环用法

  3. 文件的开打，读取，关闭，文件路径

  4. 数组，python不叫数组，叫list列表

  5. python的字典类型 key:value,类似java的map类型或者json对象

准备工作：

  1. 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，

  2. 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:WindowsFonts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）

  3. 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：

以上是 Python数据可视化：词云库的讲解和如何制作词云 的全部内容， 来源链接： utcz.com/z/530252.html

回到顶部