如何繪製高大上的詞雲圖？

作者 | 蘇克

責編| 郭芮

當我們手中有一篇文檔，比如書籍、小說、電影劇本，若想快速了解其主要內容是什麼，則可以採用繪製 WordCloud 詞雲圖，顯示主要的關鍵詞（高頻詞）這種方式，非常方便。

本文將介紹常見的英文和中文文本的詞雲圖繪製，以及 Frequency 頻詞雲圖。接下來，將詳細說明各種形式的詞雲圖繪製步驟。

英文詞雲

我們先繪製英文文本的詞雲圖，因為它相對簡單一些。這裡以《海上鋼琴師》這部電影的劇本為例。

首先，準備好電影劇本的文本文件（如下圖）：

接下來，我們繪製一個最簡單的矩形詞雲圖，代碼如下：

這裡，通過 open() 方法讀取文本文件，然後在 WordCloud 方法中設置了詞雲參數，再利用 generate_from_text() 方法生成該電影劇本的詞雲，最後顯示和保存詞雲圖。十幾行代碼就可以生成最簡單的詞雲圖：

通過上面的詞雲圖，你可能會發現有幾點問題：

可不可以更換背景，比如白色？

詞雲圖能不能換成其他形狀或者圖片？

詞雲中最顯眼的辭彙 「ONE」，並沒有實際含義，能不能去掉？

以上這些都是可以更改的，如果你想實現以上想法，那麼需要先了解一下 WordCloud 的API 參數及它的一些方法。

這裡，我們列出它的各項參數，並注釋重要的幾項：

關於更詳細的用法，你需要到官網了解。

了解了各項參數後，我們就可以自定義想要的詞雲圖了。比如更換一下背景顏色和整體風格，就可以通過修改以下幾項參數實現：

結果如下：

接下來，我們提升一點難度，通過設置 StopWords 去掉沒有實際意義的「ONE」字元，然後將詞雲圖繪製在我們自定義的一張圖片上。

代碼實現如下：

這裡，首先通過 open() 方法讀取文本文件，Image.open() 方法讀取了背景圖片，np.array 方法將圖片轉換為矩陣。

接著設置了詞雲自帶的英文StopWords 停止詞，用來分割篩除文本中不需要的辭彙，比如：a、an、the 這些。

然後，在 WordCloud 方法中，設置詞雲的具體參數。generate_from_text() 方法生成該詞雲，recolor() 則是根據圖片色彩繪製詞雲文字顏色。最終的詞雲繪製效果如下：

現在，我們還是看到了顯眼的「ONE」，下面我們將它去除掉，方法也很簡單，幾行代碼就可以實現：

首先，我們對文本詞頻進行排序，可以看到 「ONE」詞頻最高，就將它添加進 stopwords 中，這樣就可以屏蔽該詞從而不在詞雲中顯示。

需要注意的是，這種手動添加停止詞的方法適用於詞數量比較少的情況。

另外，我們還可以將詞雲圖顏色顯示為黑白漸變色，也只需修改幾行代碼即可：

效果如下：

以上，就是英文詞雲圖繪製的幾種方法，下面我們介紹中文詞雲圖的繪製。

中文詞雲

相比於英文詞雲，中文在繪製詞雲圖前，需要先切割辭彙，這裡推薦使用 jieba 包來切割分詞。因為它可以說是最好的中文分詞包了，GitHub 上擁有 160 K 的 Star 數。安裝好 jieba 包後，我們就可以對文本進行分詞然後生成詞雲。

這裡，選取吳軍老師的著作《浪潮之巔》作為中文文本的案例，仍然採用圖片形式的詞雲圖。素材準備好後，接下來就可以開始中文詞雲圖繪製。

首先，需要讀取文本文件，相比於英文，這裡要添加文本編碼格式，否則會報錯，添加幾行代碼就可以識別文本的編碼格式：

接著，對文本進行分詞。jieba 分詞有 3 種方式：精確模式、全模式和搜索引擎模式，它們之間的差別，可以用一個例子來體現。

比如，有這樣的一句話：「"我來到北京清華大學"」，用 3 種模式進行分詞，結果分別如下：

全模式：我/ 來到/ 北京/ 清華/ 清華大學/ 華大/ 大學

精確模式：我/ 來到/ 北京/ 清華大學

搜索引擎模式：我/ 來/ 來到/ 北京/ 清華/ 大學/ 清華大學/

根據結果可知，我們應該選擇「精確模式」來分詞。關於 jieba 包的詳細用法，可以參考 GitHub 倉庫鏈接：https://github.com/fxsjy/jieba。

分詞完成後，還需要設置 stopwords 停止詞，由於 WordCloud 沒有中文停止詞，所以需要自行構造。這裡可以採取兩種方式來構造：

通過 stopwords.update() 方法手動添加；

根據已有 stopwords 詞庫遍歷文本篩除停止詞。

2.1. stopwords.update() 手動添加

這種方法和前面的英文停止詞構造的方法是一樣的，目的是在詞雲圖中不顯示 stopwords 就行了 ，即先不設置 stopwords，而是先對文本詞頻進行排序，然後將不需要的詞語添加為 stopwords 即可，代碼實現如下：

可以看到，我們先輸出文本詞頻最高的一些辭彙後，發現：「但是」、「一個」、「因此」這些詞都是不需要顯示在詞雲圖中的。因此，可以把這些詞用列表的形式添加到 stopwords 中，然後再次繪製詞雲圖就能得出比較理想的效果，完整代碼如下：

stopwords 添加之前：

stopwords 添加之後：

可以看到，stopwords.update() 這種方法需要手動去添加，比較麻煩一些，而且如果 stopwords 過多的話，添加就比較費時了。下面介紹第 2 種自動去除 stopwords 的方法。

2.2. stopwords 庫自動遍歷刪除

這種方法的思路也比較簡單，主要分為 2 個步驟：

利用已有的中文 stopwords 詞庫，對原文本進行分詞後，遍歷詞庫去除停止詞，然後生成新的文本文件。

根據新的文件繪製詞雲圖，便不會再出現 stopwords，如果發現 stopwords 詞庫不全可以進行補充，然後再次生成詞雲圖即可。

代碼實現如下：

網上有很多中文 stopwords 詞庫資料，這裡選取了一套包含近 2000 個辭彙和標點符號的詞庫：stopwords_cn.txt，結構形式如下：

遍歷該 stopwords 詞庫，刪除停止詞獲得新的文本，然後利用第一種方法繪製詞雲圖即可。

首先輸出一下文本詞頻最高的部分辭彙，可以看到常見的停止詞已經沒有了：

詞雲圖最終效果如下：

Frenquency 詞雲圖

上面兩種中英文詞雲圖都是通過文本繪製的，而除了直接讀入文本生成詞雲以外，比較常見的還有通過「詞頻」繪製詞雲圖。這種詞雲圖，則可以使用DataFrame或者字典格式來繪製。

這裡，有兩種方式可以直接生成頻率詞雲圖，第一種是利用 Series 列表生成，代碼實現如下：

第二種方式是轉換為 dict 字典生成，一行代碼就可以完成：

數據轉換好以後，就可以生成詞雲圖了，代碼實現如下：

效果如下：

可以看到，美國最為突出，其次是德國、英國、中國等。看來，我們國內的大學還得加把勁啊。

以上，就是繪製詞雲圖常見的幾種方式。

文中代碼可以在下面的鏈接中獲取：https://github.com/makcyun/eastmoney_spider。

聲明：本文為作者投稿，版權歸其個人所有。

熱 文推 薦

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！