本文采用Python编程，实现对文本文档（中、英文）做词频统计以及词云图展示。

1.何为词云图？

词云图是文本数据的视觉展示，可以快速从大量文本信息中找出关键词。一般来说字体越大就代表出现的频率越高。

E.G. 下图是《三国演义》中的高频词，部分词汇通过筛选不在图中展示。本文主要展示《三国演义中》出现频率较高的人物名称。

2.前期准备

2.1.开发环境

• win 10 + Sublime text3

2.2.需要用到的Python库

• wordcloud：优秀的词云展示第三方库，以词语为基本单位，通过图形可视化的方式，更加直观和艺术的展示文本；
• jieba：“结巴”中文分词：做最好的 Python 中文分词组件；
• numpy：支持大量的维度数组与矩阵运算，主要用于数组计算；；
• matplotlib：绘图库；
• PIL：第三方图像处理库，包括加载图像和创建信图像的功能。

3.代码解析

3.1.导入Python库

import numpy as np
import jieba 
from wordcloud import WordCloud
from matplotlib import pyplot as plt 
from PIL import Image

3.2.以只读模式打开.txt

本文以《三国演义》（Three Kingdoms）为例，打开文本，读取后关闭。

f = open('E:/PySource/threekingdoms.txt','r',encoding='utf-8') 
txt = f.read()
f.close()

3.3.预处理文本和背景图片

将要处理的背景图片与代码放入同一地址，本文将图片命名为“back_pic_cloud”。

words = jieba.lcut(txt)		# 文本分词
newtxt = ' '.join(words)	# 将词语连接起来，以空格为连接词
img = Image.open(r'back_pic_cloud.jpg')	 # 打开背景图片
img_array = np.array(img)		# 将图片转换为数组

3.4.设置词云图参数

wordcloud = WordCloud(
	background_color="black", # 将背景颜色设置为黑色，也可根据个人喜好更改
	width = 1080,			  #	图尺寸
	height = 960,
	font_path = "C:/Windows/Fonts/simfang.ttf",		#字体设置
	max_words = 150,
	max_font_size = 100,
	stopwords = excludes,	  # 设置停止词，若不设置将展示所有高频词汇，添加可选择去除
	mask = img_array).generate(newtxt)

3.5.展示词云图并保存

plt.imshow(wordcloud)
plt.axis('off')
plt.show()
wordcloud.to_file('result.png')

3.6.运行结果及优化

以上代码运行结果如下图所示：

不难看出，图中出现了很多诸如：”二人“、”却说“ 等没有意义的词汇，所以我们在处理词云图时可以添加如下代码对该部分词汇进行去除。最终展示结果如开篇所示。

excludes = ['将军','却说','荆州','二人','不可','不能','如此',
'如何','商议','主公','左右','军士','军马','引兵','大喜','次日',
'东吴','天下','于是','今日','魏兵','不敢','不知','陛下','一人',
'人马','都督','汉中','众将','只见','后主','大叫','孔明曰','玄德曰']

4.完整代码

4.1.展示

# 统计文本文档中词频并生成词云图.py
import numpy as np
import jieba 
from wordcloud import WordCloud
from matplotlib import pyplot as plt 
from PIL import Image

# 以只读模式打开txt文档
f = open('E:/PySource/threekingdoms.txt','r',encoding='utf-8') 
txt = f.read()
f.close()

# 预处理文本和背景图片
words = jieba.lcut(txt)		# 文本分词
newtxt = ' '.join(words)	# 将词语连接起来，以空格为连接词
img = Image.open(r'back_pic_cloud.jpg')	 # 打开背景图片
img_array = np.array(img)		# 将图片转换为数组

# 去除不希望在词云图中显示的词汇
excludes = ['将军','却说','荆州','二人','不可','不能','如此',
'如何','商议','主公','左右','军士','军马','引兵','大喜','次日',
'东吴','天下','于是','今日','魏兵','不敢','不知','陛下','一人',
'人马','都督','汉中','众将','只见','后主','大叫','孔明曰','玄德曰']

# 设置词云图参数
wordcloud = WordCloud(
	background_color="black",
	width = 1080,
	height = 960,
	font_path = "C:/Windows/Fonts/simfang.ttf",
	max_words = 150,
	max_font_size = 100,
	stopwords = excludes,
	mask = img_array).generate(newtxt)

# 展示词云图并保存
plt.imshow(wordcloud)
plt.axis('off')
plt.show()
wordcloud.to_file('result.png')

4.2.下载

代码下载地址：

//download.csdn.net/download/qq_36581390/12236076

《三国演义》文本下载地址：

//download.csdn.net/download/qq_36581390/12236085

原文链接:https://blog.csdn.net/qq_36581390/article/details/104749604