（数据科学学习手札71）利用Python绘制词云图
本文对应脚本及数据已上传至我的
Github仓库https://github.com/CNFeffery/DataScienceStudyNotes
1 简介
词云图是文本挖掘中用来表征词频的数据可视化图像，通过它可以很直观地展现文本数据中地高频词：
图1 词云图示例
在Python中有很多可视化框架可以用来制作词云图，如pyecharts，但这些框架并不是专门用于制作词云图的，因此并不支持更加个性化的制图需求，要想创作出更加美观个性的词云图，需要用到一些专门绘制词云图的第三方模块，本文就将针对其中较为优秀易用的wordcloud以及stylecloud的用法进行介绍和举例说明。
2 利用wordcloud绘制词云图
wordcloud是Python中制作词云图比较经典的一个模块，赋予用户高度的自由度来创作词云图：
图2 wordcloud制作词云图示例
2.1 从一个简单的例子开始
这里我们使用到来自wordcloud官方文档中的constitution.txt来作为可视化的数据素材：
图3 constitution.txt
首先我们读入数据并将数据清洗成空格分隔的长字符串：
import re
with open(\'constitution.txt\') as c:
\'\'\'抽取文本中的英文部分并小写化，并将空格作为分隔拼接为长字符串\'\'\'
text = \' \'.join([word.group().lower() for word in re.finditer(\'[a-zA-Z]+\', c.read())])
\'\'\'查看前100个字符\'\'\'
text[:500]
图4 清洗后的片段文本
接着使用wordcloud中用于生成词云图的类WordCloud配合matplotlib，在默认参数设置下生成一张简单的词云图：
from wordcloud import WordCloud
import matplotlib.pyplot as plt
%matplotlib inline
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud().generate(text)
plt.figure(figsize=[12, 10])
plt.imshow(wordcloud)
plt.axis(\'off\')
plt.show()
生成的词云图:
图5 默认参数下的词云图
毕竟是在默认参数下生成的词云图，既丑陋又模糊，为了绘制好看的词云图，接下来我们来对wordcloud绘制词云图的细节内容进行介绍，并不断地对图5进行升级改造。
2.2 WordCloud
作为wordcloud绘制词云图最核心的类，WordCloud的主要参数及说明如下：
font_path：字符型，用于传入本地特定字体文件的路径（ttf或otf文件）从而影响词云图的字体族
width：int型，用于控制词云图画布宽度，默认为400
height：int型，用于控制词云图画布高度，默认为200
prefer_horizontal：float型，控制所有水平显示的文字相对于竖直显示文字的比例，越小则词云图中竖直显示的文字越多
mask：传入蒙版图像矩阵，使得词云的分布与传入的蒙版图像一致
contour：float型，当mask不为None时，contour参数决定了蒙版图像轮廓线的显示宽度，默认为0即不显示轮廓线
contour_color：设置蒙版轮廓线的颜色，默认为\’black\’
scale：当画布长宽固定时，按照比例进行放大画布，如scale设置为1.5，则长和宽都是原来画布的1.5倍
min_font_size：int型，控制词云图中最小的词对应的字体大小，默认为4
max_font_size：int型，控制词云图中最大的词对应的字体大小，默认为200
max_words：int型，控制一张画布中最多绘制的词个数，默认为200
stopwords：控制绘图时忽略的停用词，即不绘制停用词中提及的词，默认为None，即调用自带的停用词表（仅限英文，中文需自己提供并传入）
background_color：控制词云图背景色，默认为\’black\’
mode：当设置为\’RGBA\’且background_color设置为None时，背景色变为透明，默认为\’RGB\’
relative_scaling：float型，控制词云图绘制字的字体大小与对应字词频的一致相关性，当设置为1时完全相关，当为0时完全不相关，默认为0.5
color_func：传入自定义调色盘函数，默认为None
colormap：对应matplotlib中的colormap调色盘，默认为viridis，这个参数与参数color_func互斥，当color_func有函数传入时本参数失效
repeat：bool型，控制是否允许一张词云图中出现重复词，默认为False即不允许重复词
random_state：控制随机数水平，传入某个固定的数字之后每一次绘图文字布局将不会改变
了解了上述参数的意义之后，首先我们修改背景色为白色，增大图床的长和宽，加大scale以提升图片的精细程度，并使得水平显示的文字尽可能多：
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud(background_color=\'white\', # 背景色为白色
height=400, # 高度设置为400
width=800, # 宽度设置为800
scale=20, # 长宽拉伸程度设置为20
prefer_horizontal=0.9999).generate(text)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud)
plt.axis(\'off\')
\'\'\'保存到本地\'\'\'
plt.savefig(\'图6.jpg\', dpi=600, bbox_inches=\'tight\', quality=95)
plt.show()
图6
可以看到相较于图5，在美观程度上有了很大的进步，接下来，我们在图6的基础上添加美国本土地图蒙版：
图7 美国本土地图蒙版
利用PIL模块读取我们的美国本土地图蒙版.png文件并转换为numpy数组，作为WordCloud的mask参数传入：
from PIL import Image
import numpy as np
usa_mask = np.array(Image.open(\'美国本土地图蒙版.png\'))
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud(background_color=\'white\', # 背景色为白色
height=4000, # 高度设置为400
width=8000, # 宽度设置为800
scale=20, # 长宽拉伸程度程度设置为20
prefer_horizontal=0.9999,
mask=usa_mask # 添加蒙版
).generate(text)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud)
plt.axis(\'off\')
\'\'\'保存到本地\'\'\'
plt.savefig(\'图8.jpg\', dpi=600, bbox_inches=\'tight\', quality=95)
plt.show()
图8
可以看到图8在图6的基础上进一步提升了美观程度，接下来我们利用wordcloud中用于从图片中提取调色方案的类ImageColorGenerator来从下面的星条旗美国地图蒙版中提取色彩方案，进而反馈到词云图上：
图9 美国地图蒙版_星条旗色
from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator
usa_mask = np.array(Image.open(\'美国地图蒙版_星条旗色.png\'))
image_colors = ImageColorGenerator(usa_mask)
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud(background_color=\'white\', # 背景色为白色
height=400, # 高度设置为400
width=800, # 宽度设置为800
scale=20, # 长宽拉伸程度程度设置为20
prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
mask=usa_mask, # 添加蒙版
max_words=1000, # 设置最大显示字数为1000
relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
max_font_size=80 # 缩小最大字体为80
).generate(text)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis(\'off\')
\'\'\'保存到本地\'\'\'
plt.savefig(\'图10.jpg\', dpi=600, bbox_inches=\'tight\', quality=95)
plt.show()
图10
2.3 中文词云图
相较于英文文本语料，中文语料处理起来要麻烦一些，我们需要先进行分词等预处理才能进行下一步的处理，这里我们使用某外卖平台用户评论数据，先读取进来看看：
import pandas as pd
import jieba
\'\'\'读入原始数据\'\'\'
raw_comments = pd.read_csv(\'waimai_10k.csv\');raw_comments.head()
图11
接下来我们利用re、jieba以及pandas中的apply对评论列进行快速清洗：
\'\'\'导入停用词表\'\'\'
with open(\'stopwords.txt\') as s:
stopwords = set([line.replace(\'\n\', \'\') for line in s])
\'\'\'传入apply的预处理函数，完成中文提取、分词以及多余空格剔除\'\'\'
def preprocessing(c):
c = [word for word in jieba.cut(\' \'.join(re.findall(\'[\u4e00-\u9fa5]+\', c))) if word != \' \' and word not in stopwords]
return \' \'.join(c)
\'\'\'将所有语料按空格拼接为一整段文字\'\'\'
comments = \' \'.join(raw_comments[\'review\'].apply(preprocessing));comments[:500]
得到的结果如图12：
图12
这时我们就得到所需的文本数据，接下来我们用美团外卖的logo图片作为蒙版绘制词云图：
图13 美团外卖logo蒙版
from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator
waimai_mask = np.array(Image.open(\'美团外卖logo蒙版.png\'))
image_colors = ImageColorGenerator(waimai_mask)
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud(background_color=\'white\', # 背景色为白色
height=400, # 高度设置为400
width=800, # 宽度设置为800
scale=20, # 长宽拉伸程度程度设置为20
prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
mask=waimai_mask, # 添加蒙版
max_words=1000, # 设置最大显示字数为1000
relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
max_font_size=80 # 缩小最大字体为80
).generate(comments)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis(\'off\')
\'\'\'保存到本地\'\'\'
plt.savefig(\'图14.jpg\', dpi=600, bbox_inches=\'tight\', quality=95)
plt.show()
这时我们会发现词云图上绘制出的全是乱码，这是因为matplotlib默认字体是不包含中文的：
图14 中文乱码问题
这时我们只需要为WordCloud传入font_path参数即可，这里我们选择SimHei字体：
from PIL import Image
import numpy as np
from wordcloud import ImageColorGenerator
waimai_mask = np.array(Image.open(\'美团外卖logo蒙版.png\'))
image_colors = ImageColorGenerator(waimai_mask)
\'\'\'从文本中生成词云图\'\'\'
wordcloud = WordCloud(font_path=\'SimHei.ttf\', # 定义SimHei字体文件
background_color=\'white\', # 背景色为白色
height=400, # 高度设置为400
width=800, # 宽度设置为800
scale=20, # 长宽拉伸程度程度设置为20
prefer_horizontal=0.2, # 调整水平显示倾向程度为0.2
mask=waimai_mask, # 添加蒙版
max_words=1000, # 设置最大显示字数为1000
relative_scaling=0.3, # 设置字体大小与词频的关联程度为0.3
max_font_size=80 # 缩小最大字体为80
).generate(comments)
plt.figure(figsize=[8, 4])
plt.imshow(wordcloud.recolor(color_func=image_colors), alpha=1)
plt.axis(\'off\')
\'\'\'保存到本地\'\'\'
plt.savefig(\'图15.jpg\', dpi=600, bbox_inches=\'tight\', quality=95)
plt.show()
图15
3 利用stylecloud绘制词云图
stylecloud是一个较为崭新的模块，它基于wordcloud，添加了一系列的崭新特性譬如渐变颜色等，可以支持更为个性化的词云图创作：
图16 styleword制作词云图示例
3.1 从一个简单的例子开始
这里我们沿用上一章节中使用过的处理好的text来绘制词云图：
import stylecloud
from IPython.display import Image # 用于在jupyter lab中显示本地图片
\'\'\'生成词云图\'\'\'
stylecloud.gen_stylecloud(text=text,
size=512,
output_name=\'图17.png\')
\'\'\'显示本地图片\'\'\'
Image(filename=\'图17.png\')
图17
可以看出，styleword生成词云图的方式跟wordcloud不同，它直接就将原始文本转换成本地词云图片文件，下面我们针对其绘制词云图的细节内容进行介绍。
3.2 gen_stylecloud
在stylecloud中绘制词云图只需要gen_stylecloud这一个函数即可，其主要参数及说明如下：
text：字符串，格式同
WordCloud中的generate()方法中传入的text
gradient：控制词云图颜色渐变的方向，\’horizontal\’表示水平方向上渐变，\’vertical\’表示竖直方向上渐变，默认为\’horizontal\’
size：控制输出图像文件的分辨率（因为stylecloud默认输出方形图片，所以size传入的单个整数代表长和宽），默认为512
icon_name：这是stylecloud中的特殊参数，通过传递对应icon的名称，你可以使用多达1544个免费图标来作为词云图的蒙版，点击这里查看你可以免费使用的图标蒙版样式，默认为\’fas fa-flag\’
palette：控制调色方案，stylecloud的调色方案调用了palettable，这是一个非常实用的模块，其内部收集了数量惊人的大量的经典调色方案，默认为\’cartocolors.qualitative.Bold_5\’
background_color：字符串，控制词云图底色，可传入颜色名称或16进制色彩，默认为\’white\’
max_font_size：同wordcloud
max_words：同wordcloud
stopwords：bool型，控制是否开启去停用词功能，默认为True，调用自带的英文停用词表
custom_stopwords：传入自定义的停用词List，配合stopwords共同使用
output_name：控制输出词云图文件的文件名，默认为stylecloud.png
font_path：传入自定义字体*.ttf文件的路径
random_state：同wordcloud
对上述参数有所了解之后，下面我们在图17的基础上进行改良，首先我们将图标形状换成炸弹的样子，接着将配色方案修改为scientific.diverging.Broc_3：
\'\'\'生成词云图\'\'\'
stylecloud.gen_stylecloud(text=text,
size=1024,
output_name=\'图18.png\',
palette=\'scientific.diverging.Broc_3\', # 设置配色方案
icon_name=\'fas fa-bomb\' # 设置图标样式
)
\'\'\'显示本地图片\'\'\'
Image(filename=\'图18.png\')
图18
3.3 绘制中文词云图
在wordcloud中绘制中文词云图类似wordcloud只需要注意传入支持中文的字体文件即可，下面我们使用一个微博语料数据weibo_senti_100k.csv来举例：
weibo = pd.read_csv(\'weibo_senti_100k.csv\')
weibo_text = [word for word in jieba.cut(\' \'.join(re.findall(\'[\u4e00-\u9fa5]+\', \' \'.join(weibo[\'review\'].tolist())))) if word != \' \' and word not in stopwords]
weibo_text[:10]
图19
接着我们将蒙版图标样式换成新浪微博，将色彩方案换成colorbrewer.sequential.Reds_3：
\'\'\'生成词云图\'\'\'
\'\'\'生成词云图\'\'\'
stylecloud.gen_stylecloud(text=\' \'.join(weibo_text),
size=1024,
output_name=\'图20.png\',
palette=\'colorbrewer.sequential.Reds_3\', # 设置配色方案为https://jiffyclub.github.io/palettable/colorbrewer/sequential/#reds_3
icon_name=\'fab fa-weibo\', # 设置图标样式
gradient=\'horizontal\', # 设置颜色渐变方向为水平
font_path=\'SimHei.ttf\',
collocations=False
)
\'\'\'显示本地图片\'\'\'
Image(filename=\'图20.png\')
图20
以上就是本文的全部内容，如有笔误望指出！