红楼梦词频统计，词云生成


wordcloud参数简单介绍

font_path : string //字体路径，需要展现什么字体就把该字体路径+后缀名写上，如：font_path = ‘黑体.ttf’

width : int (default=400) //输出的画布宽度，默认为400像素

height : int (default=200) //输出的画布高度，默认为200像素

prefer_horizontal : float (default=0.90) //词语水平方向排版出现的频率，默认 0.9 （所以词语垂直方向排版出现频率为 0.1 ）

mask : nd-array or None (default=None) //如果参数为空，则使用二维遮罩绘制词云。如果 mask 非空，设置的宽高值将被忽略，遮罩形状被 mask 取代。除全白（#FFFFFF）的部分将不会绘制，其余部分会用于绘制词云。如：bg_pic = imread(‘读取一张图片.png’)，背景图片的画布一定要设置为白色（#FFFFFF），然后显示的形状为不是白色的其他颜色。可以用ps工具将自己要显示的形状复制到一个纯白色的画布上再保存，就ok了。

scale : float (default=1) //按照比例进行放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。

min_font_size : int (default=4) //显示的最小的字体大小

font_step : int (default=1) //字体步长，如果步长大于1，会加快运算但是可能导致结果出现较大的误差。

max_words : number (default=200) //要显示的词的最大个数

stopwords : set of strings or None //设置需要屏蔽的词，如果为空，则使用内置的STOPWORDS

background_color : color value (default=”black”) //背景颜色，如background_color=‘white’,背景颜色为白色。

max_font_size : int or None (default=None) //显示的最大的字体大小

mode : string (default=”RGB”) //当参数为“RGBA”并且background_color不为空时，背景为透明。

relative_scaling : float (default=.5) //词频和字体大小的关联性

color_func : callable, default=None //生成新颜色的函数，如果为空，则使用 self.color_func

regexp : string or None (optional) //使用正则表达式分隔输入的文本

collocations : bool, default=True //是否包括两个词的搭配

colormap : string or matplotlib colormap, default=”viridis” //给每个单词随机分配颜色，若指定color_func，则忽略该方法。

fit_words(frequencies) //根据词频生成词云（frequencies，为字典类型）

generate(text) //根据文本生成词云

generate_from_frequencies(frequencies[, …]) //根据词频生成词云

generate_from_text(text) //根据文本生成词云

process_text(text) //将长文本分词并去除屏蔽词（此处指英语，中文分词还是需要自己用别的库先行实现，使用上面的 fit_words(frequencies) ）

recolor([random_state, color_func, colormap]) //对现有输出重新着色。重新上色会比重新生成整个词云快很多。

to_array() //转化为 numpy array

to_file(filename) //输出到文件

针对于如何让词云显示的更清晰，对一些参数进行详细的分析。

mask：遮罩图，字的大小布局和颜色都会依据遮罩图生成。其实理论上这对字大小和清晰程度的影响不大， 但是遮罩图色和背景色background_color如果易混淆，则可能是一个导致看起来不清晰的因素； 另外遮罩图自身各个颜色之间的对比不强烈，也可能使图看起来层次感不够。 比如，一些图明度比较高，再加上背景白色，有可能导致字色太浅（背景色background_color又是白色）于是看起来不够“清晰”。

background_color：背景色，默认黑。 这个本来其实也不怎么影响清晰度，但是，就像之前在mask中提到的，如果遮罩图像颜色过浅、背景设置白色， 可能导致字看起来“不清晰”。而实际上，我对一个浅色遮罩图分别用白、黑两种背景色后发现， 黑色背景的强烈对比之下会有若干很浅也很小的词浮现出来，而之前因背景色、字色过于相近而几乎无法用肉眼看出这些词。

mode：默认“RGB”。根据说明文档，如果想设置透明底色的云词图，那么可以设置

（注：background_color=None, mode=“RGBA” 但是！！！实际中我尝试设置透明背景色并没有成功过！ 当我选取的遮罩图是白色底时，如果background_color设置为"white"或"black"时，生成的云词确实是对应的“白色”“黑色”； 但是按照上述参数设置透明色时，结果出来依然是白色。 当我选取的遮罩图是透明底时，那么不管我background_color设置为"white"或"black"，还是None加上mode=“RGBA”， 结果都是把背景部分当做黑色图块，自动匹配黑色的字！——也就是并没有实现透明底的云词。）

max_font_size：最大字号。源文件中也有讲到，图的生成会依据最大字号等因素去自动判断词的布局。 经测试，哪怕同一个图像，只要图本身尺寸不一样（比如我把一个300×300的图拉大到600×600再去当遮罩），那么同样的字号也是会有不同的效果。 原理想想也很自然，字号决定了字的尺寸，而图的尺寸变了以后，最大字相对于图的尺寸比例自然就变了。 所以，需要根据期望显示的效果，去调整最大字号参数值。 min_font_size：最小字号。不设置的情况下，默认是4。 尝试了设置比4大的字号，例如8、10，结果就是原本小于设定值且大于4号的词都直接不显示了，其它内容和未设置该值时都一样。

relative_scaling：表示词频和云词图中字大小的关系参数，默认0.5。 为0时，表示只考虑词排序，而不考虑词频数；为1时，表示两倍词频的词也会用两倍字号显示。

scale：根据说明文档，当云词图很大的，加大该值会比使用更大的图更快，但值越高也会越慢（计算更复杂）。 默认值是1。实际测试中，更大的值，确实输出图像看起来更精细（较小较浅的词会颜色更重，也感觉清楚，大的词差异不明显）。
引用于：https://blog.csdn.net/u012735708/article/details/81532407

程序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
// An highlighted block
#引入库名
import jieba
import wordcloud
import numpy
from PIL import Image
import re

f = open('C:\\Users\Administrator\Desktop\红楼梦.txt', encoding='utf-8')
txt = f.read()
f.close()
txt1 = re.sub('奶奶', '贾母', txt)  # 替换词组
txt2 = re.sub('老太太', '贾母', txt1)
txt3 = re.sub('林黛玉', '黛玉', txt2)
txt4 = re.sub('凤姐儿', '凤姐', txt3)
segs = jieba.lcut(txt4)
#print(segs)
segments = {}
for seg in segs:
    if len(seg) == 1:
        continue
    else:
        segments[seg] = segments.get(seg, 0) + 1 #寻找是否重复
# print(segments)
stopwords = {'什么', '一个', '我们', '那里', '你们', '如今', '说道', '起来', '这里', '知道', '他们', '众人', '姑娘', '一面', '自己', '只见', '太太', '不是',
             '没有', '两个', '怎么', '出来', '不知', '这个', '听见', '这样', '进来', '咱们', '告诉', '就是', '东西', '回来', '只是', '大家', '老爷', '只得',
             '丫头', '这些', '不敢', '出去', '所以'}
for word in stopwords:
    del (segments[word])  # 删除停用词
alies1 = {'黛玉', '林姑娘', '林妹妹'}
for e in alies1:
    for seg in segments:
        if e == seg:
            segments[seg] = segments[seg] + segments.get(e)
alies2 = {'袭人', '花袭人'}
for e in alies2:
    for seg in segments:
        if e == seg:
            segments[seg] = segments[seg] + segments.get(e)
alies3 = {'凤姐', '王熙凤', '辣妹子 ', '熙凤'}
for e in alies3:
    for seg in segments:
        if e == seg:
            segments[seg] = segments[seg] + segments.get(e)
print(segments)
items = list(segments.items())
items.sort(key=lambda x: x[1], reverse=True)
for i in range(10):
    word, segment = items[i]
    print('{0:<10}{1:>5}'.format(word, segment))
#在网上下载白色背景有形状的图片保存
mask = numpy.array(Image.open("C:\\Users\Administrator\Desktop\\3.png"))
#font_path = “字体文件地址”，一定要下载一个中文字体库，不然显示结果会很尴尬
w = wordcloud.WordCloud(width = 1618,height = 1000,background_color='white',mask=mask,font_path="C:\\Users\Administrator\Desktop\萝莉体 第二版.ttf",stopwords=stopwords)
w.fit_words(segments)  #//根据词频生成词云（frequencies，为字典类型）
w.to_file("C:\\Users\Administrator\Desktop\\h1.png")#最终词云文件储存地址

改变mask得到的不同的结果。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
没有mask
在这里插入图片描述
总结，在使用一个库的时候应该去大概了解一下它，这样会避免走很多不必要的弯路，就比如我，我开始一直想着整么把排序的字典搞成文本，然后再用库，结果字典就可以生成词云，加油，慢慢学习。