(数据科学学习手札71)利用Python绘制词云图

时间:2024-01-25 22:46:52

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*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rejieba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!