你真的会用wordcloud制作词云图吗？

罗罗攀

发布于 2021-02-04 10:45:16

5270

发布于 2021-02-04 10:45:16

文章被收录于专栏：有趣的Python和你有趣的Python和你

前言

对于文本分析而言，大家都绕不开词云图，而python中制作词云图，又绕不开wordcloud，但我想说的是，你真的会用吗？你可能已经按照网上的教程，做出来了一张好看的词云图，但是我想今天这篇文章，绝对让你明白wordcloud背后的原理。

小试牛刀

首先你需要使用pip安装这个第三方库。接着我们简单看一下中英文制作词云有什么不同。

from matplotlib import pyplot as plt
from wordcloud import WordCloud

text = 'my is luopan. he is zhangshan'

wc = WordCloud()
wc.generate(text)

plt.imshow(wc)

from matplotlib import pyplot as plt
from wordcloud import WordCloud

text = '我叫罗攀，他叫张三，我叫罗攀'

wc = WordCloud(font_path = r'/System/Library/Fonts/Supplemental/Songti.ttc') #设置中文字体
wc.generate(text)

plt.imshow(wc)

聪明的你会发现，中文的词云图并不是我们想要的，那是因为wordcloud并不能成功为中文进行分词。通过下面wordcloud的源代码分析，我想你就应该能弄明白了。

WordCloud源码分析

我们主要是要看WordCloud类，这里我不会把全部源代码打上来，而是主要分析制作词云的整个流程。

class WordCloud(object):
    
    def __init__(self,):
        '''这个主要是初始化一些参数
        '''
        pass

    def fit_words(self, frequencies):
        return self.generate_from_frequencies(frequencies)

    def generate_from_frequencies(self, frequencies, max_font_size=None):
        '''词频归一化，创建绘图对象 
        '''
        pass

    def process_text(self, text):
        """对文本进行分词，预处理
        """

        flags = (re.UNICODE if sys.version < '3' and type(text) is unicode  # noqa: F821
                 else 0)
        pattern = r"\w[\w']*" if self.min_word_length <= 1 else r"\w[\w']+"
        regexp = self.regexp if self.regexp is not None else pattern

        words = re.findall(regexp, text, flags)
        # remove 's
        words = [word[:-2] if word.lower().endswith("'s") else word
                 for word in words]
        # remove numbers
        if not self.include_numbers:
            words = [word for word in words if not word.isdigit()]
        # remove short words
        if self.min_word_length:
            words = [word for word in words if len(word) >= self.min_word_length]

        stopwords = set([i.lower() for i in self.stopwords])
        if self.collocations:
            word_counts = unigrams_and_bigrams(words, stopwords, self.normalize_plurals, self.collocation_threshold)
        else:
            # remove stopwords
            words = [word for word in words if word.lower() not in stopwords]
            word_counts, _ = process_tokens(words, self.normalize_plurals)

        return word_counts

    def generate_from_text(self, text):
        words = self.process_text(text)
        self.generate_from_frequencies(words)
        return self

    def generate(self, text):
        return self.generate_from_text(text)

当我们使用generate方法时，其调用顺序是：

generate_from_text
process_text  #对文本预处理
generate_from_frequencies #词频归一化，创建绘图对象

备注：所以制作词云时，不管你使用generate还是generate_from_text方法，其实最终都是会调用generate_from_text方法。

所以，这里最重要的就是process_text 和generate_from_frequencies函数。接下来我们就来一一讲解。

process_text函数

process_text函数其实就是对文本进行分词，然后清洗，最好返回一个分词计数的字典。我们可以尝试使用一下：

text = 'my is luopan. he is zhangshan'

wc = WordCloud()
cut_word = wc.process_text(text)
print(cut_word)
#  {'luopan': 1, 'zhangshan': 1}

text = '我叫罗攀，他叫张三，我叫罗攀'

wc = WordCloud()
cut_word = wc.process_text(text)
print(cut_word)
# {'我叫罗攀': 2, '他叫张三': 1}

所以可以看出process_text函数是没法对中文进行好分词的。我们先不管process_text函数是怎么清洗分词的，我们就着重看看是怎么对文本进行分词的。

def process_text(self, text):
    """对文本进行分词，预处理
    """

    flags = (re.UNICODE if sys.version < '3' and type(text) is unicode  # noqa: F821
             else 0)
    pattern = r"\w[\w']*" if self.min_word_length <= 1 else r"\w[\w']+"
    regexp = self.regexp if self.regexp is not None else pattern

    words = re.findall(regexp, text, flags)

这里的关键就在于使用的是正则表达式进行分词（"\w[\w']+"），学过正则表达式的都知道，\w[\w]+代表的是匹配2个至多个字母，数字，中文，下划线（python正则表达式中\w可代表中文）。

所以中文没法切分，只会在各种标点符号中切分中文，这是不符合中文分词的逻辑的。但英文文本本身就是通过空格进行了分割，所以英文单词可以轻松的分词出来。

总结来说，wordcloud本身就是为了英文文本来做词云的，如果需要制作中文文本词云，就需要先对中文进行分词。

generate_from_frequencies函数

最后再简单说下这个函数，这个函数的功能就是词频归一化，创建绘图对象。

绘图这个代码很多，也不是我们今天要讲的重点，我们只需要了解到底是需要什么数据来绘制词云图，下面是词频归一化的代码，我想大家应该能看的懂。

from operator import itemgetter

def generate_from_frequencies(frequencies):
    frequencies = sorted(frequencies.items(), key=itemgetter(1), reverse=True)
    if len(frequencies) <= 0:
        raise ValueError("We need at least 1 word to plot a word cloud, "
                         "got %d." % len(frequencies))

    max_frequency = float(frequencies[0][1])

    frequencies = [(word, freq / max_frequency)
                   for word, freq in frequencies]
    return frequencies

test = generate_from_frequencies({'我叫罗攀': 2, '他叫张三': 1})
test

# [('我叫罗攀', 1.0), ('他叫张三', 0.5)]

中文文本制作词云图的正确方式

我们先通过jieba分词，用空格拼接文本，这样process_text函数就能返回正确的分词计数的字典。

from matplotlib import pyplot as plt
from wordcloud import WordCloud
import jieba

text = '我叫罗攀，他叫张三，我叫罗攀'
cut_word = " ".join(jieba.cut(text))

wc = WordCloud(font_path = r'/System/Library/Fonts/Supplemental/Songti.ttc')
wc.generate(cut_word)

plt.imshow(wc)

当然，如果你直接就有分词计数的字典，就不需要调用generate函数，而是直接调用generate_from_frequencies函数。

text = {
    '罗攀':2,
    '张三':1
}

wc = WordCloud(font_path = r'/System/Library/Fonts/Supplemental/Songti.ttc')
wc.generate_from_frequencies(text)

plt.imshow(wc)