当前位置：首页 > java >正文

中文分词与数据可视化03

java 2025/8/22 18:57:30

wordcloud 库简介

wordcloud（词云）是一个用于生成词云图的 Python 库，能够根据词频自动生成视觉化的文本分布图，高频词会以更大的字体显示。它常与 jieba 结合使用，适合文本数据的探索性分析和可视化展示。

安装

pip install wordcloud

依赖库（需提前安装）

matplotlib：用于显示或保存图像。
pillow（PIL）：处理图像文件（如下图）。

pip install matplotlib pillow

核心功能与函数

1. 基础词云生成

核心类 WordCloud
通过配置参数生成词云对象，常用参数如下：

font_path：字体文件路径（中文需指定中文字体，否则乱码）。

width/height：图片尺寸（默认 400x200）。

background_color：背景颜色（默认黑色）。

max_words：最大显示词数（默认 200）。

mask：指定词云形状（基于图片的遮罩）。

from wordcloud import WordCloud
import matplotlib.pyplot as plttext = "Python 数据分析 机器学习 深度学习 人工智能 编程 算法 数据挖掘"# 创建词云对象
wc = WordCloud(font_path="msyh.ttc",  # 指定中文字体（Windows 可用）width=800,height=600,background_color="white",max_words=50
)# 生成词云
wc.generate(text)# 显示词云
plt.imshow(wc)
plt.axis("off")  # 隐藏坐标轴
plt.show()# 保存为文件
wc.to_file("wordcloud.png")

运行结果：

2. 关键函数与方法

generate(text)
功能：根据输入文本生成词云（自动统计词频）。

wc.generate("Hello world Python Python data science")

generate_from_frequencies(word_freq)
功能：直接通过词频字典生成词云（需手动统计词频）。

# 示例：结合 jieba 分词和 Counter 统计词频
import jieba
from collections import Countertext = "自然语言处理是人工智能的重要分支，深度学习推动其发展。"
words = jieba.lcut(text)
word_freq = Counter(words)wc.generate_from_frequencies(word_freq)

to_file(filename)
功能：将词云保存为图片文件（支持 PNG/JPG 等格式）。

wc.to_file("output.jpg")

to_array()
功能：将词云转换为 NumPy 数组，便于进一步处理。

array = wc.to_array()

3. 高级功能

自定义形状词云
使用 mask 参数指定图片形状（需黑白遮罩图）：

from PIL import Image
import numpy as np# 加载遮罩图（如心形）
mask = np.array(Image.open("heart_mask.png"))wc = WordCloud(mask=mask,background_color="white",font_path="msyh.ttc"
)

过滤停用词
结合自定义停用词表过滤无关词汇：

stopwords = ["的", "是", "和"]
filtered_text = " ".join([word for word in words if word not in stopwords])
wc.generate(filtered_text)

调整颜色方案
通过 colormap 参数设置配色（如 viridis, plasma）：

wc = WordCloud(colormap="viridis")

完整示例（结合jieba）

import jieba
from wordcloud import WordCloud
from collections import Counter
import matplotlib.pyplot as plt# 读取文本文件
with open("news.txt", "r", encoding="utf-8") as f:text = f.read()# 分词并过滤停用词
words = jieba.lcut(text)
stopwords = ["的", "了", "在", "是", "和"]
filtered_words = [word for word in words if word not in stopwords and len(word) > 1]# 统计词频
word_freq = Counter(filtered_words)# 生成词云
wc = WordCloud(font_path="msyh.ttc",width=1000,height=700,background_color="white",max_words=100
)
wc.generate_from_frequencies(word_freq)# 显示并保存
plt.imshow(wc)
plt.axis("off")
plt.show()
wc.to_file("news_wordcloud.png")

常见问题解决

中文乱码
- 必须指定中文字体路径（如 font_path="msyh.ttc"）。
依赖安装失败
- Windows 用户需安装 Microsoft C++ Build Tools：Microsoft C++ Build Tools - Visual Studio
图片形状不生效
- 确保遮罩图为黑白图，背景为纯白色（RGB 255,255,255）。