【python入门】制作一个自定义的中文词云

想必有很多童鞋在网上见过各种各样又酷又炫的词云，比如下面这个

wordcloud

官方提供的一张样图Alice，我们希望也能制作出一个类似的词云图。



下面，开始正式工作，首先导入一些需要用到的模块

import os
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import jieba
from wordcloud import WordCloud,ImageColorGenerator

上面三个就不讲了，

PIL

是Python的图像处理标准库，现在可以直接安装

Pillow

,想要了解更多的话请移步廖雪峰老师的相关教程;剩下的

jieba

是我们今天要用做分词器用的，

wordcloud

自然就是制作词云的模块了。

首先，导入我们的文本文件，这里选用的是小说《老九门》，在读取之前可以使用

NotePad++

等软件手工把文本转为

utf-8

格式，防止出现编码错误。

# 工作目录
cwd = os.getcwd()
# 读取文件
fh = open(cwd+'\\txt\\老九门.txt','rb')
data = fh.read().decode('utf-8')

然后，我们就要使用

jieba

做中文的分词了。

jieba(结巴分词)

是现在最好用的python下中文分词模块之一，具有中文分词、添加自定义词典、关键词提取和词性标注等多种功能，我们这里只使用它的分词功能对其他功能和分词的算法不作探讨。

结巴最常用的分词方法是jieba.cut，该方法接受两个输入参数:

第一个参数为需要分词的字符串

cut_all参数用来控制采用全模式还是精确模式，默认采用精确模式

seg_str = ' '.join(jieba.cut(data,cut_all = False))

这一句代码，就实现了对小说的分词，返回的是一个字符串。

在进行下一步之前，可以简单地看看它的词频情况，也不对数据进行清洗了

from collections import Counter
seg_list = jieba.cut(data,cut_all = False)
count = Counter(seg_list)
print(count)

字典很长，这里就不打印出来了。

下面，到了最重要的部分了，要开始制作我们的词云了。下面对

wordcloud

模块做一个简单介绍，有兴趣的同学可以

help(wordcloud)

查看完整的官方帮助文档。

在

wordcloud

模块有两个

object

:

wordcloud.color_from_image.ImageColorGenerator

wordcloud.wordcloud.WordCloud

第一个类

wordcloud.color_from_image.ImageColorGenerator

是根据输入的图像

image

得到一张给你的词上色的颜色图，其中输入的图像

image

的格式是 nd-array.shape =(height, width, 3),只使用RGB三个通道，alpha透明度通道会自动忽略。

第二个类

wordcloud.wordcloud.WordCloud

就是用来设置相关参数来实现词云的了，由于输入参数太多，这里只挑出常用的一些进行介绍

font_path :使用的字体路径，可以直接把ttf或者otf直接贴到工作目录下，使用的字体只有支持中文才可以在词图中显示中文

width : 宽 int (default=400)

height :高 int (default=200)

prefer_horizontal : 旋转角度 float (default=0.90)

min_font_size : 最小字体 int (default=4)

max_words : 最大词数 number (default=200)

background_color : 背景颜色 color value (default=”black”)

max_font_size : 最大字体尺寸 int or None (default=None)

regexp : 正则表达式 用来分词，默认使用r”\w[\w’]+”

这里有一个参数

mask

放在最后讲，这个参数就是用来设置词云的外边框的，格式要求和上面的

image

是一致的，它会把白色的部分(RGB#FFFFFF)的部分“去掉”，保留剩下的部分做词云，所以符合要求的图片像下面一样



懒得找图片或者编辑图片了，方便起见直接就使用上面的这张Alice就好了，有兴趣的同学可以找些图片，用

PIL

处理下。

im = np.array(Image.open(cwd+'\\image\\alice_color.png'))
#Generate WordCloud
wc = WordCloud(background_color = "white",
max_words = 100,
mask = im,
max_font_size = 80,
font_path = 'msyh.ttf')
wc.generate(seg_str)
# 从背景图片得到颜色
imColor = ImageColorGenerator(im)

# 使用jupyter notebook使用，否则请注释掉
% matplotlib inline
plt.imshow(wc)
plt.axis("off")
plt.figure()
plt.imshow(wc.recolor(color_func=imColor))
plt.axis("off")
plt.figure()

最后，把所有的代码拼起来运行一下，就可以得到如下的两张不同颜色的中文词云图



到这里，就任务完成了。

参考资料来源：

【结巴首页】

【wordcloud官方】

由于本人水平有限，难免出现错漏之处，欢迎批评指正