建站
咨詢
售后
建站咨詢
新聞中心
什么是詞云呢?
創(chuàng)新互聯(lián)公司于2013年開始，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項(xiàng)目網(wǎng)站設(shè)計(jì)、成都網(wǎng)站建設(shè)網(wǎng)站策劃，項(xiàng)目實(shí)施與項(xiàng)目整合能力。我們以讓每一個(gè)夢想脫穎而出為使命，1280元平武做網(wǎng)站,已為上家服務(wù),為平武各地企業(yè)和個(gè)人服務(wù),聯(lián)系電話:13518219792
詞云又叫文字云，是對文本數(shù)據(jù)中出現(xiàn)頻率較高的“關(guān)鍵詞”在視覺上的突出呈現(xiàn)，形成關(guān)鍵詞的渲染形成類似云一樣的彩色圖片，從而一眼就可以領(lǐng)略文本數(shù)據(jù)的主要表達(dá)意思。
現(xiàn)在，可以從網(wǎng)絡(luò)上找到各種各樣的詞云，下面一圖來自沈浩老師的微博：
從百度圖片中還可以可以看到更多制作好的詞云，部分截圖如下：
詞云制作有很多工具.....
從技術(shù)上來看，詞云是一種有趣的數(shù)據(jù)可視化方法，互聯(lián)網(wǎng)上有很多現(xiàn)成的工具：
- Wordle是一個(gè)用于從文本生成詞云圖而提供的游戲工具
- Tagxedo 可以在線制作個(gè)性化詞云
- Tagul 是一個(gè) Web 服務(wù)，同樣可以創(chuàng)建華麗的詞云
- Tagcrowd 還可以輸入web的url，直接生成某個(gè)網(wǎng)頁的詞云
- ......
十行代碼
但是作為一個(gè)老碼農(nóng)，還是喜歡自己用代碼生成自己的詞云，復(fù)雜么?需要很長時(shí)間么? 很多文字都介紹過各種的方法，但實(shí)際上只需要10行python代碼即可。
- import matplotlib.pyplot as plt
- from wordcloud import WordCloud
- import jieba
- text_from_file_with_apath = open('/Users/hecom/23tips.txt').read()
- wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)
- wl_space_split = " ".join(wordlist_after_jieba)
- my_wordcloud = WordCloud().generate(wl_space_split)
- plt.imshow(my_wordcloud)
- plt.axis("off")
- plt.show()
如此而已，生成的一個(gè)詞云是這樣的：
讀一下這10行代碼：
- 1～3 行，分別導(dǎo)入了畫圖的庫matplotlib，詞云生成庫wordcloud 和 jieba的分詞庫;
- 4 行，是讀取本地的文件,代碼中使用的文本是本公眾號中的《老曹眼中研發(fā)管理二三事》。
- 5～6 行，使用jieba進(jìn)行分詞，并對分詞的結(jié)果以空格隔開;
- 7行，對分詞后的文本生成詞云;
- 8～10行，用pyplot展示詞云圖。
這是我喜歡python的一個(gè)原因吧，簡潔明快。
執(zhí)行環(huán)境
如果這十行代碼沒有運(yùn)行起來，需要檢查自己的執(zhí)行環(huán)境了。對于完整的開發(fā)學(xué)習(xí)環(huán)境，可以參考本公眾號《老曹眼中的開發(fā)學(xué)習(xí)環(huán)境》。 對于面向python 的數(shù)據(jù)分析而言，個(gè)人喜歡Anaconda，可以去https://www.continuum.io/downloads/ 下載安裝，安裝成功后的運(yùn)行界面如下：
anaconda 是python 數(shù)據(jù)愛好者的福音吧。
安裝wordcloud 和 jieba 兩個(gè)庫同樣非常簡單：
- pip install wordcloud
- pip install jieba
遇到的一個(gè)小坑，剛開始運(yùn)行這十行代碼的時(shí)候，只顯式了若干彩色的小矩形框，中文詞語顯式不出來，以為是萬惡的UTF8問題，debug一下，發(fā)現(xiàn)print 結(jié)巴分詞的結(jié)果是可以顯示中文的，那就是wordcloud 生成詞語的字體庫問題了。開源的好處來了，直接進(jìn)入wordcloud.py 的源碼，找字體庫相關(guān)的代碼
- FONT_PATH = os.environ.get("FONT_PATH", os.path.join(os.path.dirname(__file__), "DroidSansMono.ttf"))
wordcloud 默認(rèn)使用了DroidSansMono.ttf 字體庫，改一下?lián)Q成一個(gè)支持中文的ttf 字庫， 重新運(yùn)行一下這十行代碼，就可以了。當(dāng)然，解讀代碼后有更優(yōu)雅的方法。
看一下源碼
既然進(jìn)入了源碼，就會(huì)忍不住好奇心，瀏覽一下wordcloud 的實(shí)現(xiàn)過程和方式吧。
wordcloud.py總共不過600多行，其間有著大量的注釋，讀起來很方便。其中用到了較多的庫，常見的random，os，sys，re(正則)和可愛的numpy，還采用了PIL繪圖，估計(jì)一些人又會(huì)遇到安裝PIL的那些坑。
生成詞云的原理其實(shí)并不復(fù)雜，大體分成5步：
- 對文本數(shù)據(jù)進(jìn)行分詞，也是眾多NLP文本處理的第一步，對于wordcloud中的process_text()方法，主要是停詞的處理
- 計(jì)算每個(gè)詞在文本中出現(xiàn)的頻率，生成一個(gè)哈希表。詞頻計(jì)算相當(dāng)于各種分布式計(jì)算平臺的第一案例wordcount， 和各種語言的hello world 程序具有相同的地位了，呵呵。
- 根據(jù)詞頻的數(shù)值按比例生成一個(gè)圖片的布局，類IntegralOccupancyMap 是該詞云的算法所在，是詞云的數(shù)據(jù)可視化方式的核心。
- 將詞按對應(yīng)的詞頻在詞云布局圖上生成圖片，核心方法是generate_from_frequencies,不論是generate()還是generate_from_text()都最終到generate_from_frequencies
- 完成詞云上各詞的著色,默認(rèn)是隨機(jī)著色
詞語的各種增強(qiáng)功能大都可以通過wordcloud的構(gòu)造函數(shù)實(shí)現(xiàn)，里面提供了22個(gè)參數(shù)，還可以自行擴(kuò)展。
更多的小例子
看看一個(gè)準(zhǔn)文言文的詞云，文本文字來自本公眾號去年的舊文——《妻》，其中在構(gòu)造函數(shù)中傳入了關(guān)于屏幕和字體大小的幾個(gè)參數(shù)：
- width=800,height=400,max_font_size=84,min_font_size=16
得到了這樣的詞云圖：
自慚形穢，根本看不出文言文的色彩和對妻子的感情流露，不是好文字呀!或許是詞云的局限吧!
矩形的詞云的確太簡陋了，直接在圖片上用詞云來填充就有意思多了，wordcloud中可以采用mask的方式來實(shí)現(xiàn)。換上一張自己的照片，用《再談<全棧架構(gòu)師>一文》中的文字，詞云出來的效果是這樣的 ：
還是很難看出肖像的輪廓，還好，可以遮丑。其中增加了3行代碼
- from PIL import Image
- import numpy as np
- abel_mask = np.array(Image.open("/Users/hecom/chw.png"))
在構(gòu)造函數(shù)的時(shí)候，將mask傳遞進(jìn)去即可：
- background_color="black", mask=abel_mask
自己做的這些詞云圖片還是太陋，這就是原型簡單，好的產(chǎn)品困難呀!做好一個(gè)漂亮詞云的圖片，還是要在諸多細(xì)節(jié)上下功夫的。
例如：
- 分詞的處理，“就是”這樣沒有意義的詞不應(yīng)該出現(xiàn)在詞云里呀?
- 所展示關(guān)鍵詞的目的性選擇?
- 如何選擇一個(gè)合適的字庫?
- 如何更好地自主著色?
- 圖片的預(yù)處理，如何讓圖片和詞云表達(dá)原圖片的主要特征?
- ......
詞云的背后
詞云的背后實(shí)際上是數(shù)據(jù)集成處理的典型過程，我們所熟知的6C,如下圖：
- Connect: 目標(biāo)是從各種各樣數(shù)據(jù)源選擇數(shù)據(jù)，數(shù)據(jù)源會(huì)提供APIs,輸入格式,數(shù)據(jù)采集的速率,和提供者的限制.
- Correct: 聚焦于數(shù)據(jù)轉(zhuǎn)移以便于進(jìn)一步處理，同時(shí)保證維護(hù)數(shù)據(jù)的質(zhì)量和一致性
- Collect: 數(shù)據(jù)存儲在哪，用什么格式，方便后面階段的組裝和消費(fèi)
- Compose: 集中關(guān)注如何對已采集的各種數(shù)據(jù)集的混搭, 豐富這些信息能夠構(gòu)建一個(gè)引入入勝的數(shù)據(jù)驅(qū)動(dòng)產(chǎn)品。
- Consume: 關(guān)注數(shù)據(jù)的使用、渲染以及如何使正確的數(shù)據(jù)在正確的時(shí)間達(dá)到正確的效果。
- Control: 這是隨著數(shù)據(jù)、組織、參與者的增長，需要的第六個(gè)附加步驟，它保證了數(shù)據(jù)的管控。?
這十行代碼構(gòu)建的詞云，沒有通過API從公眾號(wireless_com)直接獲取,簡化和抽象是工程化的典型方式，這里至今復(fù)制粘貼，甚至省略了correct的過程，直接將數(shù)據(jù)存儲在純文本文件中，通過jieba分詞進(jìn)行處理即compose，使用詞云生成可視化圖片用于消費(fèi)consume，把一個(gè)個(gè)自己生成的詞云組織到不同的文件目錄便于檢索算是初步的管控control吧。
【本文來自專欄作者“老曹”的原創(chuàng)文章，作者微信公眾號：喔家ArchiSelf,id:wrieless-com】
標(biāo)題名稱：10行Python代碼的詞云
文章URL：http://www.5511xx.com/article/dhcipoe.html
