今天來介紹一下如何使用 Python 製作詞雲。

詞雲又叫文字雲，它可以統計文字中頻率較高的詞，並將這些詞視覺化，讓我們可以直觀的瞭解文字中的重點詞彙。

詞的頻率越高，詞顯示的大小也就越大。

1，wordcloud 模組

wordcloud 是一個詞雲生成器，它不僅是一個 Python 庫，還是一個命令列工具。我們可以透過 wordcloud 官方文件，和示例庫來學習如何使用它。

在使用 wordcloud 之前，需要先安裝它：

pip install wordcloud

2，WordCloud 類

WordCloud 類用於建立詞雲物件，先來看下它的原型：

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)

可以看到，WordCloud 類有很多引數可以設定，這裡介紹一些常用的引數：

font_path：設定字型檔案路徑，字型檔案以 .ttf 為字尾。如果分析的文字是中文，則需要設定中文字型，否則會亂碼。background_color：設定圖片背景顏色，預設為 black，也可以設定為 white 等。mask：設定背景圖片。max_words：設定最大的詞數，預設為200。stopwords：設定停用詞。max_font_size：設定字型最大值。width：設定畫布的寬度，預設為400。height：設定畫布的高度，預設為200。random_state：設定多少種隨機狀態，即多少種顏色。

在建立好詞雲物件後，可以使用 generate 方法生成詞雲，並使用 to_file 方法將詞雲圖像儲存在檔案中。

generate 方法的原型如下：

generate(text)

引數text 是一個用空格隔開的文字字串。如果分析的是中文，需要先用 jieba 進行分詞，可以參考這裡。

除了將詞雲圖像儲存在檔案中，還可以使用 Matplotlib 模組顯示詞雲圖像，示例程式碼如下：

import matplotlib.pyplot as pltplt.imshow(wordcloud)  # wordcloud 是詞雲物件plt.axis("off")        # 用於關閉座標軸plt.show()

3，一個簡單的示例

下面演示一個最簡單的示例，來看如何使用 wordcloud。

首先建立詞雲物件：

from wordcloud import WordCloudwc = WordCloud()

生成詞雲：

text = "Python is a programming language, it is easy to use."wc.generate(text)

詞雲物件的 words_ 屬性中儲存了每個單詞的（歸一化後的）權重，權重的範圍是 (0, 1]。

words_ 屬性是一個字典型別，它儲存的鍵的最大個數為 max_words，即 WordCloud 類的引數。

如下：

>>> wc.words_{'Python': 1.0, 'programming': 1.0, 'language': 1.0, 'easy': 1.0, 'use': 1.0}# 示例中的這些單詞出現的頻率都相等（均為 1），# 所以它們的權重都是 1。

用 Matplotlib 展示詞雲圖像：

import matplotlib.pyplot as pltplt.imshow(wc) plt.axis("off")plt.show()

詞雲圖像如下：

4，對古詩做詞雲分析

我在這裡準備了一個案例，是對1000 首古詩做詞雲分析。

程式碼目錄如下：

wordcloud/├── SimHei.ttf├── gushi.txt└── gushi_wordcloud.py

其中：

SimHei.ttf：是一個字型檔案，避免詞雲分析時出現中文亂碼。gushi.txt：該檔案中包含了1000 首古詩。gushi_wordcloud.py：是詞雲分析程式碼。

我將程式碼也放在這裡，方便檢視：

#!/usr/bin/env python# coding=utf-8import osimport sysimport jiebafrom wordcloud import WordCloudif sys.version.startswith('2.'):    reload(sys)    sys.setdefaultencoding('utf-8')# 去掉一些作者的名字STOPWORDS = [        u'李白', u'杜甫', u'辛棄疾', u'李清照', u'蘇軾',        u'李商隱', u'王維', u'白居易', u'李煜', u'杜牧',        ]def load_file(file_path):    if sys.version.startswith('2.'):        with open(file_path) as f:            lines = f.readlines()    else:        with open(file_path, encoding='utf-8') as f:            lines = f.readlines()    content = ''    for line in lines:        line = line.encode('unicode-escape').decode('unicode-escape')        line = line.strip().rstrip('\n')        content += line    words = jieba.cut(content)    l = []    for w in words:        # 如果詞的長度小於 2，則捨去        if len(w) < 2: continue        l.append(w)    return ' '.join(l)if __name__ == '__main__':    file_path = './gushi.txt'    content = load_file(file_path)    wc = WordCloud(            font_path="./SimHei.ttf",            stopwords=STOPWORDS,            width=2000, height=1200)    wc.generate(content)    wc.to_file("wordcloud.jpg")

其中：

STOPWORDS 停用詞列表，是一些作者的名字。load_file 方法用於載入文字，其中用到了 jieba 分詞。

最後將詞雲圖像儲存在了 wordcloud.jpg 檔案中，如下：

我們也可以從詞雲物件的words_ 屬性中檢視每個詞的權重，這裡我列出前十個：

('明月', 1.0)('今日', 0.9130434782608695)('不知', 0.8405797101449275) ('何處', 0.8260869565217391) ('不見', 0.8115942028985508) ('春風', 0.7536231884057971) ('無人', 0.7536231884057971) ('不可', 0.7536231884057971) ('萬里', 0.7536231884057971)