词云wordcloud类介绍&python制作词云图&词云图乱码问题等小坑

词云图，大家一定见过，大数据时代大家经常见，我们今天就来用python的第三方库wordcloud，来制作一个大数据词云图，同时会降到这个过程中遇到的各种坑，

举个例子，下面是我从自己的微信上抓的微信好友签名，制作的词云图：看来用的做多的还是“方得始终”啊

 

首先我们需要几个库，pip完了导入

import chardet                         #检测字符类型的类
from wordcloud import WordCloud        #词云库
import matplotlib.pyplot as plt        #数学绘图库

 

咱们这个例子分2步，第一步：从文件读取一段文字，第二步制作词云图并显示出来

看代码：从桌面读取一个文件

with open("C:\\Users\\fyc\\Desktop\\virgo.txt", "r") as f:
    text = f.read()
type = chardet.detect(text)
text1 = text.decode(type["encoding"])

在这要做一个编码的工作，应为词云的generate函数接受的是一个Unicode类的对象，其他的对象会导致异常，经过层层跟进，终于在wordcloud.py文件里发现了这一行代码：

stopwords = set(map(str.lower, self.stopwords))

flags = (re.UNICODE if sys.version < '3' and type(text) is unicode
                 else 0)
regexp = self.regexp if self.regexp is not None else r"\w[\w']+"

words = re.findall(regexp, text, flags)

问题出在正则表达式：如果不是unicode类型，进来的text经过re.findall计算，将什么也匹配不到，words为一个空list，随后就会抛出异常

所以在generate（）之前一定要转码成“Unicode”类型。

第二步：生成词云，并显示：

wc1 = WordCloud(
    background_color="white",
    width=1000,
    height=860,
    font_path="C:\\Windows\\Fonts\\STFANGSO.ttf",#不加这一句显示口字形乱码
    margin=2)
wc2 = wc1.generate(text1)         #我们观察到generate()接受一个Unicode的对象，所以之前要把文本处理成unicode类型

plt.imshow(wc2)
plt.axis("off")
plt.show()

 

 wordcloud构造处一个词云对象，然后generate（）方法把传进来的文本“text"按照词出现的频率安排词的大小，其中text，我是找了一篇关于白羊座的介绍，文字如下：

豪放率真的白羊座女生，富有强大的想象力，热情勇敢，女汉子味十足。勇往直前，是你们最大的特点。所以即便面对困难挫折，白羊女都敢于迎接挑战。可以说，这是个极具战斗精神的新时代女性。如此强悍个性的白羊女，在异性的眼中却永远都少了点女人味专属的温柔，往往都是称兄道弟的份。 

　　如果你期待一个林黛玉般的女孩来满足你的男子气概，碰到了她，你可真是门儿都没有了，识相的话，赶快找个窗子开溜吧！在火星守护下的白羊座女子，通常是积极而且坚强的。像小鸟依人、楚楚可怜这一类的形容词很难加诸在她身上。

　　白羊座的女子应该算得上十二个星座中，独立性最强的女性。她绝对不是那种整天守在家里，等着你来接她、送她，完全缺乏独立行动能力的典型。对于大多数的白羊座女孩来说，她宁愿相信如果没有你在身边碍手碍脚，她办事效率或许要高得多。听我这么说，你或许会以为这样的女人是不需要男人的！那可就错啦！自信而骄傲的白羊座女性确有着坚强的独立生存能力。但她们内心都深深地渴望着她梦中的白马王子快点出现呢！很难相信吧！看起来那么锐利的她，其实是充满着童话般梦想的。而对所有的白羊座女子来说，她们心里最大的矛盾就是渴望征服对方，又期待着被对方征服的微妙心里。

　　你现在可能有些担心，不知道该如何扮演好自已的角色了，是吗？别慌！先把你的“真心”准备好，以后的办法就好商量了，虽然有一点点辛苦，不过保证值得。

　　首先，你必须认清，白羊座的女子基本上是“英雄主义”的。她会倾心于一个令她佩服的男人。她要嫁一个让她引以为傲的丈夫。她或许会比较欣赏事业有成的男人，但这并不表示她是个拜金主义者。家财万贯的花花公子是不会让她心动的，满腔理想的热血青年反而会受她的青睐。因此，如果你爱上了一个白羊座的女子，请先不必展开热烈的追求。哈巴狗一样的男人会让她既讨厌又害怕，她深怕给你一个礼貌的微笑之后，你就会死缠着她不放了。你最好先让她了解你的才干、你的魅力，引起她对你的好奇（或者应该说引起她征服你的兴趣），等你感受到她对你真有好感之后，你再诚恳的对她表示爱意，那么前途就大有可为了！

　　你要像个“大男人”的样子（我说过她很英雄主义），但是你绝不能对她颐指气使。你一定要真心的关怀她，但绝对不要太纵容她。我想你应该用一种“英雄惜英雄”的态度来待你的白羊座女人，才是比较适当的。

　　绝大多数的白羊座女子都很好强，她们坚持要在对方的心目中保持最重要的地位。当然她也会把你摆在她心中最重要的位置。而且她很忠实、很大方。她愿意与你分享她的一切。当然，她也会认为你应该与她分享一切，包括你的秘密。欺骗你的白羊座女人，有如犯了欺君之罪一样的严重。这一点你可千万要记住，她情愿听你令她心碎的忏悔，也不要接受美丽的谎言。你最好少在她面前夸奖其她的女孩，尤其是那种由衷的赞美，极可能会引起雷霆大火。

　　由于她们那么积极坚强的个性，许多白羊座的女子都会给人一种尖锐、而且爱找麻烦的印象。在表面上，她们是不会让别人（尤其是男人）占便宜的。很多人会认为白羊座的女人总是尖嘴利牙的得理不饶人。正因为如此，她们常常会吃些暗亏，受到挫折，她们总是比其它的女孩活得辛苦一些。其实，你应该明白，她们的内心多半是正直、善良，而且脆弱的。只要你真心的关怀她，在她受了委屈的时侯，给她一个温暖的怀抱，她会成为你一生忠实可靠的伴侣。

　　白羊座的女人几乎都可以成为出色的职业妇女，也同时能做称职的家庭主妇。事实上，让她拥有自已的事业对你们的婚姻是有帮助的。当她尽量在工作上发挥了她的好胜心和征服欲之后，回到家里做绵羊的机会就比较大了。如果要一个精力旺盛的白羊座女子，把心思全放在“你”的身上，我担心你会有点受不了的。至于家庭，你大可放心，她虽然柴米油盐之类的琐事，不是那么有兴趣，但好强的她，不会让自已成为一个失败的主妇的。

　　还有件事你该庆幸，那就是我很少看到一个邋遢的白羊座妻子，她们大多都在婚后依然保持光鲜亮丽，不愿意别人讥笑她老公娶了个黄脸婆。就算偶尔懒散一下，只要老公稍加提醒，她们立刻就会警觉。我有个产后稍微发福的白羊座女友，就因为老公说了一句“以前我最欣赏你那双修长的腿了。”她硬是两个月减肥了二十磅。就凭她这股坚强的毅力，你能不相信她会全力以赴的做个好妻子吗？

 

关于构造方法的介绍需要说明几点：第一，用的是关键词参数，无需记住参数位置，技术参数的关键词就行。

关于参数的含义，在pycharm中查看快速文档，说明如下：

class WordCloud(object)  def __init__(self, font_path=None, width=400, height=200, margin=2, ranks_only=None, prefer_horizontal=.9, mask=None, scale=1, color_func=None, max_words=200, min_font_size=4, stopwords=None, random_state=None, background_color='black', max_font_size=None, font_step=1, mode="RGB", relative_scaling=.5, regexp=None, collocations=True, colormap=None, normalize_plurals=True)  Documentation is missing. The following is copied from class WordCloud.  
Word cloud object for generating and drawing.
  
font_path:
(string) Font path to the font that will be used (OTF or TTF). Defaults to DroidSansMono path on a Linux machine. If you are on another OS or don't have this font, you need to adjust this path.
width:
(int (default=400)) Width of the canvas.
height:
(int (default=200)) Height of the canvas.
prefer_horizontal:
(float (default=0.90)) The ratio of times to try horizontal fitting as opposed to vertical. If prefer_horizontal < 1, the algorithm will try rotating the word if it doesn't fit. (There is currently no built-in way to get only vertical words.)
mask:
(nd-array or None (default=None)) If not None, gives a binary mask on where to draw words. If mask is not None, width and height will be ignored and the shape of mask will be used instead. All white (#FF or #FFFFFF) entries will be considerd "masked out" while other entries will be free to draw on. [This changed in the most recent version!]
scale:
(float (default=1)) Scaling between computation and drawing. For large word-cloud images, using scale instead of larger canvas size is significantly faster, but might lead to a coarser fit for the words.
min_font_size:
(int (default=4)) Smallest font size to use. Will stop when there is no more room in this size.
font_step:
(int (default=1)) Step size for the font. font_step > 1 might speed up computation but give a worse fit.
max_words:
(number (default=200)) The maximum number of words.
stopwords:
(set of strings or None) The words that will be eliminated. If None, the build-in STOPWORDS list will be used.
background_color:
(color value (default="black")) Background color for the word cloud image.
max_font_size:
(int or None (default=None)) Maximum font size for the largest word. If None, height of the image is used.
mode:
(string (default="RGB")) Transparent background will be generated when mode is "RGBA" and background_color is None.
relative_scaling:
(float (default=.5)) Importance of relative word frequencies for font-size. With relative_scaling=0, only word-ranks are considered. With relative_scaling=1, a word that is twice as frequent will have twice the size. If you want to consider the word frequencies and not only their rank, relative_scaling around .5 often looks good. 
color_func:
(callable, default=None) Callable with parameters word, font_size, position, orientation, font_path, random_state that returns a PIL color for each word. Overwrites "colormap". See colormap for specifying a matplotlib colormap instead.
regexp:
(string or None (optional)) Regular expression to split the input text into tokens in process_text. If None is specified, r"\w[\w']+" is used.
collocations:
(bool, default=True) Whether to include collocations (bigrams) of two words. 
colormap:
(string or matplotlib colormap, default="viridis") Matplotlib colormap to randomly draw colors from for each word. Ignored if "color_func" is specified. 
normalize_plurals:
(bool, default=True) Whether to remove trailing 's' from words. If True and a word appears with and without a trailing 's', the one with trailing 's' is removed and its counts are added to the version without trailing 's' – unless the word ends with 'ss'.
Notes
Larger canvases with make the code significantly slower. If you need a large word cloud, try a lower canvas size, and set the scale parameter.
The algorithm might give more weight to the ranking of the words than their actual frequencies, depending on the max_font_size and the scaling heuristic.

 

大家使用百度翻译应该能看明白，这里说明几个比较关键的参数：

font_path：这个是在词云图中显示文字的字体存放的路径，特别是在显示中文的时候，这个参数尤为重要，如果缺省的话容易造成乱码，如下：

 

width，height  顾名思义，画布的长宽。

 

prefer_horizontal ：词云的字体优先水平放置

mask:这是背景的形状，缺省是画布的形状。

其他几个参数就不说了

 

第三步就是用matplotlib库将词云图显示出来，这一段代码比较固定，没什么变化，死记硬背了

plt.imshow(wc2)
plt.axis("off")
plt.show()

其中，axis是显示坐标，这里我们选择不现实坐标。整体效果如下：