9.13 英文词云

pip install wordcloud

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='auto', 
                    regexp=None, collocations=True, colormap=None, 
                    normalize_plurals=True, contour_width=0, 
                    contour_color='black', repeat=False, include_numbers=False, 
                    min_word_length=0, collocation_threshold=30)

主要参数：
font_path：要使用的字体的路径。Linux系统下默认为DroidSansMono.ttf，用于中文词云时需要设置中文字体名，否则中文无法正常显示。
width=400, height=200：画布的默认宽度和高度
contour_color: 颜色值（默认值为“黑色”）
scale：计算和绘图之间的缩放倍数，默认为1。对于大型词云图像，使用比例而不是较大的画布大小会明显加快速度，但可能会导致对词的粗略拟合。
mask=None, （默认值=4）：要使用的最小字体大小。当没有这么大的空间时就会停止。
max_words (default=200)：显示词数最大值（默认值为200）
stopwords=None：将被略过的词，设为 None 时使用内置 STOPWORDS 列表。使用“generate_from_frequencies”方法时忽略此值。
background_color=’black’：背景颜色值（默认值为“黑色”）
max_font_size=None：最大字的最大字体大小，如果值是None，则使用图像的高度。
min_font_size=4：小字体大小默认为 4.
mode：默认为 RGB，当模式为“RGBA”且背景色为“无”时，将生成透明背景。
min_word_length：最小词长度，整数，默认值为0
random_state=None：随机状态数量
常用方法有以下五种

wordcloud属性

gone with the wind.txt
英文文本中单词间用空格进行分隔，所以英文文本的词云制作比较简单，将读取文本文件对象作为参数传递给WordCloud()的generate()函数就可以了，默认词云的背景为黑色，下面例子将背景色设为白色。
从绘制结果可以发现，里面有很多无意义的虚词，如：of、the、and、is、to等，可以考虑加停用词将其过滤掉。停用词可以用内置的STOPWORDS，也可以自己构建：

from wordcloud import WordCloud, STOPWORDS
import matplotlib.pyplot as plt
def file_to_string(filename):                   # 读取文件，返回字符串
    with open(filename, 'r', encoding='utf-8') as f:            # 文字来源
        return f.read()                       # 返回读取文件内容得到的字符串
def draw(text):                               # 绘制词云，设定各参数，传入参数为字符串
    wc = WordCloud(max_words=80,              #设置显示高频单词数量
                   width=600,                 # 设置图片的宽度
                   height=400,                # 设置图片的高度
                   background_color='White',  # 设置背景颜色
                   max_font_size=150,         # 设置字体最大值
                   stopwords=STOPWORDS,       # 去除停用词
                   margin=5,                  # 设置图片的边缘
                   scale=1.5)                 #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。
    wc.generate(text)                         # 根据文本内容直接生成词云
    plt.imshow(wc)                            # 负责对图像进行处理，并显示其格式，但是不能显示。
    plt.axis("off")                           # 不显示坐标轴
    wc.to_file('dream.png')                   # 词云保存为图片
    plt.show()                                # 显示图像
if __name__ == '__main__':
    filename = 'gone with the wind.txt'       # 用于生成词云的文本文件名
    txt = file_to_string(filename)            # 读取文件中的文本，生成字符串
    draw(txt)                                 # 绘制词云

9.14 中文词云

中文词之间无分隔，所以中文词云的制作略麻烦，需要提前对文本进行分词处理。
jieba是目前应用较广泛的一个中文分词库，可以导入jieba利用它进行分词再绘制词云。jieba分词有三种模式：精确模式（默认）、全模式和搜索引擎模式，其参数是一个字符串，返回值是元素为中文分词的列表。下面对这三种模式分别举例介绍：

import jieba
txt = '武汉理工大学是教育部直属全国重点大学'
print(jieba.lcut(txt))                # 精确模式
print(jieba.lcut(txt,cut_all = True)) # 全模式
print(jieba.lcut_for_search(txt))     # 搜索引擎模式

输出：
[‘武汉理工大学’, ‘是’, ‘教育部’, ‘直属’, ‘全国’, ‘重点’, ‘大学’]
[‘武汉’, ‘武汉理工’, ‘武汉理工大学’, ‘理工’, ‘理工大’, ‘理工大学’, ‘工大’, ‘大学’, ‘是’, ‘教育’, ‘教育部’, ‘直属’, ‘全国’, ‘重点’, ‘大学’]
[‘武汉’, ‘理工’, ‘工大’, ‘大学’, ‘理工大’, ‘武汉理工大学’, ‘是’, ‘教育’, ‘教育部’, ‘直属’, ‘全国’, ‘重点’, ‘大学’]
从输出结果可以看到，精确模式的可以准确的分词；全模式时，输出所有可能组合的词，冗余较多；搜索引擎模式是精确分词，再对长词进一步切分。一般情况下，推荐使用精确模式。
中文文本能够切分成词就可以用英文词云相同的方法制作词云了，一个需要注意的地方是，制作中文词云时，务必要明确指定中文字体，否则中文无法正确显示。

import jieba.analyse
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud
def file_to_string(file):
    """接收表示文件名的字符串为参数，读取文本文件内容为一个字符串，返回这个字符串。"""
    with open(filename, 'r', encoding='utf-8') as f:  # 文字来源
        text = f.read()  # 文章内容读取为字符串
    return text  # 返回读取文件内容得到的字符串
def text_analysis(text):
    """接收一个字符串类型的参数，应用jieba.analyse.textrank()的方法分词，统计每个词的权重，将其转为词频字典并返回这个字典。"""
    result = jieba.analyse.textrank(text, topK=50, withWeight=True)
    word = dict()
    for i in result:  # 遍历列表，生成字典
        word[i[0]] = i[1]
    return word  # 返回关键字与权值字典
def draw(word, image):
    """接收词的权值字典和背景图片文件对象为参数，绘制背景为白色的带背景图片的词云，设置字体最大值为240，不显示坐标轴，绘制的词云保存为文件。"""
    graph = np.array(image)  # 图片转数组
    wc = WordCloud(font_path='msyh.ttc',  # 中文字体，未指定中文字体时词云的汉字显示为方框，可修改字体名
                   background_color='White',  # 设置背景颜色
                   # background_color=None,   # 设置透明背景
                   # mode='RGBA',
                   mask=graph,  # 设置背景图片
                   max_font_size=240,  # 设置字体最大值
                   scale=1.5)  # 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。
    wc.generate_from_frequencies(word)
    plt.imshow(wc)  # 负责对图像进行处理，并显示其格式，但是不能显示。
    plt.axis("off")  # 不显示坐标轴
    wc.to_file('dream.png')  # 词云保存为图片
    plt.show()  # 显示图像
if __name__ == '__main__':
    filename = 'jybz.txt'  # 用于生成词云的文本文件名
    txt = file_to_string(filename)  # 读取文件中的文本，生成字符串
    words = text_analysis(txt)  # 利用jieba对文本进行分词，并统计词频
    images = Image.open('9.14 ball.jpg')  # 打开背景图片，创建文件对象
    draw(words, images)  # 调用函数绘制词云

十九届六中全会公报.txt

新校长

校长杨宗凯在2022年毕业典礼暨学位授予仪式上的讲话

张清杰校长在2021届毕业生毕业典礼上的讲话