7.4.3 wordcloud
当我们手中有一篇文档时，比如新闻稿、书籍、小说、电影剧本，若想快速了解其主要内容是什么，则可以采用绘制wordcloud（词云）图，显示主要的关键词（即高频词），这种方式来快速了解内容。
所谓词云就是通过形成“关键词云层”或“关键词渲染”，对文本中出现频率较高的“关键词”予以视觉上的突出。词云图过滤掉大量的文本信息，使浏览者只要一眼扫过文本就可以领略文本的主旨。词云示意图如图7-4所示。
图7-4 词云示意图
wordcloud是Python的一个第三方库，称为词云，也叫作文字云，根据文本中的词频，对内容进行可视化的汇总。
安装wordcloud可以使用Python自带的pip工具来进行，在命令行的安装命令是：
wordcloud库的基本使用方法：wordcloud库把词云当作一个WordCloud对象，根据文本中词语出现的频率等参数绘制词云，再绘制词云的形状，词云的尺寸和颜色都可以设定。
wordcloud库常规使用方法是先创建WordCloud对象，语句格式：
以WordCloud对象为基础，再进行配置参数、加载文本、输出文件等操作，WordCloud对象的常用方法如表7-8所示。
表7-8 WordCloud对象的常用方法
创建词云的步骤如下。
①创建对象并配置参数：w=wordcloud.WordCloud（…）。
②加载文本：w.generate（txt）。
③输出文件：w.to_file（filename），文件格式可以是.png或者.jpg等。
例如：
运行结果如图7-5所示。
图7-5 英文词云图
如果将字符串由英文改成中文，代码如下：
运行结果如图7-6所示。
图7-6 中文词云图
从图7-6中可以发现中文不能显示了，会出现乱码。这是由于wordcloud自带的字体DroidSansMono.ttf不支持中文。
解决方法为使用支持中文的字体来替代，这就涉及WordCloud（）类中的属性设置了。配置对象属性：
WordCloud（）类中的常用属性如表7-9所示。
表7-9 WordCloud（）类中的常用属性
·width：int类型，default=400。输出的画布宽度默认为400像素。
·height：int类型，default=200。输出的画布高度默认为200像素。
·min_font_size：整数类型，default=4，显示最小的字体。
·max_font_size：整数类型或者None，default=None，显示最大的字体。
·font_step：整数类型，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。
·font_path：字符串类型，指明字体路径，需要展现什么字体就把该字体路径与后缀名写上，如font_path='黑体.ttf'。
·max_words：整数类型，default=200，要显示词的最多个数。
·stop_words：集合类型或者None，集合元素为字符串类型。设置需要屏蔽的词，如果为空，则使用内置的stopwords。
·mask：高维数据或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）的部分不会绘制，其余部分都会用于绘制词云。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，然后再保存。
·background_color：颜色值，default="black"，背景颜色，如background_color='white'，背景颜色为白色。
除了表7-9中列出的这些常见属性外，还有如下属性。
·prefer_horizontal：float（default=0.90），词语水平方向排版出现的频率，默认为0.9（所以词语垂直方向排版出现的频率为0.1）。
·scale：浮点数类型，float（default=1），按照比例放大画布，如设置为1.5，则长和宽都是原来画布的1.5倍。
·mode：字符串类型，string（default="RGB"），当参数为"RGBA"并且background_color不为空时，背景为透明。
·relative_scaling：浮点数类型，float（default=0.5），词频和字体大小的关联性。
·color_func：调用callable，default=None，生成新颜色的函数，如果为空，则使用self.color_func。
·regexp：string或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或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。
例如，设置背景为白色，将中文字体以黑体显示，代码如下：
运行结果如图7-7所示。
图7-7 正确显示的中文词云
如果想要显示的词云以某种图像的样式显示，图7-4中的词云就是以某种指定的形状显示的，则需要设置mask属性。同时需要有一张相应的用于遮罩的图像，例如将图7-5显示成五角星的形状，需要先准备一个五角星的图像文件fivestart.png，如图7-8（a）所示，再将代码修改如下：
运行结果如图7-8（b）所示。
图7-8 mask遮罩显示词云
其实从图7-7中可以看出，中文是没有被分割的，整个一句作为一个整体显示，这不符合中文的词语显示习惯，故需要与jieba结合来显示词云。一般来说，将中文文本变成词云的步骤如下。
①分隔：以空格分隔单词。
②统计：统计单词出现次数并过滤。
③字号：根据统计配置字号。
④布局：颜色、环境、尺寸。
【案例7-3】 词云显示政府工作报告。
现有2020年政府工作报告文件“2020年政府工作报告.txt”，编写程序，用词云提取并显示2020年的工作重点，并以中国地图文件chinamap.jpg作为词云显示形状。
案例分析：
首先是文件的读取，利用文件的读方法将文本内容一次性读取出来。
其次用jieba对中文内容进行分词，得到词语列表。对列表中的词语以空格间隔进行合并，使整个列表的内容再次变成一个字符串，以匹配WordCloud对象的参数是字符串类型的要求。
再次需要用图像形状作为mask属性，故先导入图像的读取imageio库，将读图像文件的方法imread（）导入。用imread（）方法将图像“chinamap.jpg”读取出来。
最后创建词云对象，并按需求进行属性参数设置。生成词云，并将词云图像保存成文件。
实现代码如下：
运行结果如图7-9所示。
图7-9 政府报告词云