代码改变世界

文本可视化[一]——《今生今世》词云生成与小说分析

2017-10-01 18:43  Fururur  阅读(8768)  评论(2)  编辑  收藏  举报

好的数据可视化，可以使得数据分析的结果更通俗易懂。“词云”就是数据可视化的一种形式。给出一段文本的关键词，根据关键词的出现频率而生成的一幅图像，人们只要扫一眼就能够明白文章主旨。

最近在知乎、以及各大媒体上经常可以看到这个词云，刚好前段之间读了胡兰成的《今生今世》，所以就尝试着自己通过python来实现图云。碰巧的是，今天刚好也是张爱玲的诞辰。下面是最终生成的结果。图一为全词的图生成，背景是张爱玲的肖像，图二图三分别是散文集中出现的人名和地名。

下面主要来介绍一下词云生成的过程。顺便一提的是，现在也有很多在线的网站是可以直接生成词云的，只要把文字贴进去就可以了，例如图悦。但是，由于我选取的是二十世纪中期的作品，分析和提取关键词的过程有一定的复杂性，所以还是通过python来处理。

需要的工具

1. matplotlib
matplotlib，不用多讲，用python学习过机器学习的人都知道，是一个绘图库，最终词云的绘制需要用到它。

2. jieba
jieba，最好用的开源中文分词工具。他最主要的两个功能是分词和关键词的抽取。在词云的生成过程中都需要用到。

3. wordcloud
wordcloud是一个词云生成器，只要进行相关的配置就能生成相应的词云。

以上三个工具具体的使用方法，我会在参考文献中贴出来，这里就不花篇幅单独讲了，直接看《今生今世》的例子。

实现过程

实现的过程简单来讲，两步走，1. 提取关键词，2. 生成词云。

提取关键词

在使用jieba来提取关键词之前，我们需要考虑几个问题。比如说，

  • jieba是否能准确提取我们散文集中的关键词（人名、地名）？
  • 散文中会存在例如“我们”、“觉得”、“这样”这一类的词，这类词的出现导致了，散文集中真正的关键词无法被提取出来。
  • 散文中会存在例如“汪先生”，而jieba分词，将其分成“汪先生”和“先生”两个词，从而导致“先生”的频率远大于“汪先生”，从而对结果产生影响。

正是由于中文的复杂性，所以对关键词的提取带来了难度，好在jieba基本能够将上述问题解决。那么下面就是代码实现的过程了。

1. 解决问题1和问题3
jieba有内置词库，一些常见的人名地名，他是能够自己分辨出来了的。一些比较生僻的词可以通过自定义词库来添加进去，保证识别率。词典格式和dict.txt一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。例如，

应英娣 10 nr
英娣 10 nr
应小姐 10 nr
范秀美 10 nr
白相人 9 nr
俞傅家 8 ns
俞傅村 8 ns
俞家 8 ns
斯家 8 ns
蕙兰中学 8 ns
蕙兰 8 ns
静安寺路 8 ns
胡村 8 ns
大楚报 6 nt
苦竹 6 nt

自定义词典的词频一般在10左右，或者>10都可以。

然后在代码中通过代码引入即可。

jieba.load_userdict("namedict.txt")

2. 解决问题2
“我们”、“觉得”、“这样”这一类词语叫做停顿词，需要先处理。我们可以先去网上下载各大机构的停用词词库，然后应用到散文集中，由于停用词词库大多使用的是现在的文法，而《今生今世》创作时间比较早，有些可能还需要人为添加停顿词。

下面是去除停顿词的代码。

 def clean_using_stopword(text):
    """
    去除停顿词，利用常见停顿词表+自建词库
    :param text:
    :return:
    """
    mywordlist = []
    # 用精确模式来分词
    seg_list = jieba.cut(text, cut_all=False)
    liststr = "/ ".join(seg_list)
    with open(stopwords_path) as f_stop:
        f_stop_text = f_stop.read()
        f_stop_text = unicode(f_stop_text, 'utf-8')
    f_stop_seg_list = f_stop_text.split('\n')
    for myword in liststr.split('/'):  # 去除停顿词，生成新文档
        if not (myword.strip() in f_stop_seg_list) and len(myword.strip()) > 1:
            mywordlist.append(myword)
    return ''.join(mywordlist)

经过以上两步的操作，就生成了一个新的文档，去除了停顿词。接下来就是提取关键词的时候了。

def extract_keywords():
    """
    利用jieba来进行中文分词。
    analyse.extract_tags采用TF-IDF算法进行关键词的提取。
    :return:
    """
    # 抽取1000个关键词，带权重，后面需要根据权重来生成词云
    allow_pos = ('nr',) # 词性
    tags = jieba.analyse.extract_tags(preprocessing(), 1000, withWeight=True)
    keywords = dict()
    for i in tags:
        print("%s---%f" % (i[0], i[1]))
        keywords[i[0]] = i[1]
    return keywords

jieba.analyse.extract_tags()方法就是用来提取关键词的，参数依次为（文本，抽取关键词的数量，返回结果是否带权重，提取关键词的词性）。由于词云是需要根据权重来生成的因此withWeight为true。得到结果如下，对TF-IDF算法有了解的，应该知道这里的权重就是tf-idf。

汪先生---0.037881
爱玲---0.032921
这样---0.030461
爱珍---0.025920
日本---0.025699
只觉---0.019628
太太---0.019364

allowPOS=allow_pos 可以提取指定词性的关键词，“nr”为人物名词，“ns”为地点名词。这样就可以生成散文集的人名词云和地点词云了。

生成词云

接下来就轮到wordcloud登场了。过程很简单，依次是

  1. 初始化WordCloud
  2. 生成词云。
    直接给出代码，
def draw_wordcloud():
    """
    生成词云。1.配置WordCloud。2.plt进行显示
    :return:
    """
    back_coloring = plt.imread(bg_image_path)  # 设置背景图片
    # 设置词云属性
    wc = WordCloud(font_path=font_path,  # 设置字体
                   background_color="white",  # 背景颜色
                   max_words=2000,  # 词云显示的最大词数
                   mask=back_coloring,  # 设置背景图片
                   )

    # 根据频率生成词云
    wc.generate_from_frequencies(extract_keywords())
    # 显示图片
    plt.figure()
    plt.imshow(wc)
    plt.axis("off")
    plt.show()
    # 保存到本地
    wc.to_file("wordcloud.jpg")

这里需要注意的，WordCloud默认生成的词云为矩形的，如果需要自定义词云的形状，需要提供一张二值化的图片，生成的词会填充图的黑色部分。

wordcloud对中文的支持不太好，需要自己设置字体，自己文件在项目中。ttf的字体可以去系统中提取。

完整的代码实现

代码可见我的github

# -*- coding: utf-8 -*-
from __future__ import print_function

import jieba.analyse
import matplotlib.pyplot as plt
from wordcloud import WordCloud

jieba.load_userdict("namedict.txt")

# 设置相关的文件路径
bg_image_path = "pic/image2.jpg" # 二值化图片
text_path = 'jsjs.txt' # 《今生今世》文本
font_path = 'msyh.ttf' # 字体
stopwords_path = 'stopword.txt'

# 函数体见上文
def clean_using_stopword(text)

def preprocessing():
    """
    文本预处理
    :return:
    """
    with open(text_path) as f:
        content = f.read()
    return clean_using_stopword(content)
    return content
    
# 函数体见上文
def extract_keywords():

if __name__ == '__main__':
    draw_wordcloud()

提取的算法原理

jieba的jieba.analyse.extract_tags()用到的是自然语言处理当中非常常见的一个算法——TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率)算法。原理也比较容易看懂，有兴趣了解的，可以看下面的博客。

散文的分析

显然，爱玲是词云中最大的一个词，这就提现了，胡兰成是爱张爱玲的吗？或许也不见得吧，毕竟胡兰成总共有8个老婆，张只是其中之一。

小说三要素，人物、情节、环境。

人物，词云上基本已经可以很好的体现。最大的无疑是他的爱人和他的上司。其中贯穿了两条主线——政治和爱情。政治线上。汪精卫、李士群、周佛海提到的最多，都是大汉奸；爱情线上，胡兰成的8个老婆当中，有6个在词云上，玉凤、爱玲、秀美、一枝、爱珍、小周。

环境，这里就弱化成地名吧。最大的是胡村，他的出生地；日本，他了结余生的地方。当然也能梳理出一条他作为汉奸最后逃亡的路线。胡村--->杭州--->诸暨--->温州--->香港--->台湾--->日本

参考文献

写在最后，能把学到的技术用在工作以外的地方，不也是一种乐趣嘛？
完整代码：https://github.com/maoqyhz/TextCharactervVisualization ，里面有两个例子，欢迎star~