python词云图制作壮观天体照_用Python制作酷炫词云图，原来这么简单！

Bertha 。 2022-10-28 00:58 381阅读 0赞

二、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：

![1dcaf06cc19924770357a62c984ae2a0.png][]

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：

![1396e64dc7e8eb0f52b393cd24616732.png][]

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：

importre

withopen( ‘constitution.txt’) asc:

‘’’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 forword inre.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：

fromwordcloud importWordCloud

importmatplotlib.pyplot asplt

%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:

![b92d695ebd0995fdab950fa263f72289.png][]

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：

fontpath：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

fontpath：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

![22b66acdc1baef94ede34f3c62b56784.png][]

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：

![b7184f8bb1a83a79c7695b59d7819bdd.png][]

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：

fromPIL importImage

importnumpy asnp

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

![90f7a0b3bb5933d0da0e6b787bfdb14d.png][]

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：

![c12e228eb93a517664a3145ae9d906c1.png][]

图9 美国地图蒙版星条旗色fromPIL importImage

importnumpy asnp

fromwordcloud importImageColorGenerator

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

![dd955a4bd752be5a9c9912cdf2859fc0.png][]

图102.3 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：

importpandas aspd

importjieba

‘’’读入原始数据’’’

raw\_comments = pd.read\_csv( ‘waimai\_10k.csv’);raw\_comments.head

![2bf91e7a23028d90fe48968be03251ce.png][]

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’’’

withopen( ‘stopwords.txt’) ass:

stopwords = set(\[line.replace( ‘n’, ‘’) forline ins\])

‘’’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’’’

defpreprocessing(c):

c = \[word forword injieba.cut( ‘ ‘.join(re.findall( ‘\[u4e00-u9fa5\]+’, c))) ifword != ‘ ‘andword notinstopwords\]

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：

![a1091b7ca674ca468516859658c78c86.png][]

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：

![7be77bc465e706a13f82a116df3111ec.png][]

图13 美团外卖logo蒙版fromPIL importImage

importnumpy asnp

fromwordcloud importImageColorGenerator

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：

![702f68dcfcac8585934471f15079e545.png][]

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：

fromPIL importImage

importnumpy asnp

fromwordcloud importImageColorGenerator

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

![6766b7ca5e19038f3d7f8007c6a0f36f.png][]

图15三、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：

![7c9380802f0187968781040296c8a236.png][]

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：

importstylecloud

fromIPython.display importImage \# 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’)

![7325ac23a2d333cf128be700113b0019.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

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

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’)

![545a104b5f4b9f54e7ff337d947e92a4.png][]

图183.3 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 forword injieba.cut( ‘ ‘.join(re.findall( ‘\[u4e00-u9fa5\]+’, ‘ ‘.join(weibo\[ ‘review’\].tolist)))) ifword != ‘ ‘andword notinstopwords\]

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’’’

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’)

![5568407a13ad9cf346f3bcb834b0f89f.png][]

图20

以上就是本文的全部内容，如有笔误望指出！

●

[1dcaf06cc19924770357a62c984ae2a0.png]: /images/20221024/071a2990ccad40bd8d82fe5e671b108c.png
[1396e64dc7e8eb0f52b393cd24616732.png]: /images/20221024/8fb12f88829742edb1211937d7320ed1.png
[b92d695ebd0995fdab950fa263f72289.png]: /images/20221024/25f992a3ef8a4f449d92b091ecbd0831.png
[22b66acdc1baef94ede34f3c62b56784.png]: /images/20221024/92d1f5fee95742dc874a96acd4684915.png
[b7184f8bb1a83a79c7695b59d7819bdd.png]: /images/20221024/b8f9b49a66a340b5bb27950d342802f2.png
[90f7a0b3bb5933d0da0e6b787bfdb14d.png]: /images/20221024/c288db08ace349d78cb7c248178a0284.png
[c12e228eb93a517664a3145ae9d906c1.png]: /images/20221024/ee16eb4486e74f7a88b3d61132523fc6.png
[dd955a4bd752be5a9c9912cdf2859fc0.png]: /images/20221024/f0c11e9ab491476880df90c1b7a2ce3a.png
[2bf91e7a23028d90fe48968be03251ce.png]: /images/20221024/09090245bf824cf983576ffe95721f08.png
[a1091b7ca674ca468516859658c78c86.png]: /images/20221024/d0ef91be11d7415fa930506af5f0af68.png
[7be77bc465e706a13f82a116df3111ec.png]: /images/20221024/61626a85a39b45dc948c98639c356bf9.png
[702f68dcfcac8585934471f15079e545.png]: /images/20221024/052eebc20a2e4eca91f288dd7b01bfe8.png
[6766b7ca5e19038f3d7f8007c6a0f36f.png]: /images/20221024/2cd0d7cba338437c8a6283fdd4b8dcac.png
[7c9380802f0187968781040296c8a236.png]: /images/20221024/68dcd2b5a61c46fc8aae89ee436a1d20.png
[7325ac23a2d333cf128be700113b0019.png]: /images/20221024/fc2ad7ff9c13423dae7647c4a16e1b24.png
[545a104b5f4b9f54e7ff337d947e92a4.png]: /images/20221024/538f2381cd404cd59a954a97b965e0cc.png
[5568407a13ad9cf346f3bcb834b0f89f.png]: /images/20221024/894cf3a24ac046dfbb6c7c883273a14d.png