用python实现中文词云完整流程(wordcloud、jieba)

我们将用python3的第三方库wordcloud来做中文词云。通过对2月3日-2月5日国家卫健委的三天记者会实录做词云分析，一定程度上，我们可以得到三天内舆情动向及官方侧重点的变化。

---

进入国家卫健委官网，分别将2月3日、2月4日和2月5日记者会内容粘贴保存为 2月3日记者会.txt、2月4日记者会.txt和2月5日记者会.txt。

• 需要注意的是，这里txt文件最好用utf-8编码保存，不然会报出编码错误。
• 解决方法如下：用记事本打开txt文件，点击‘另存为’，在最下面有‘编码’选项，默认为’ANSI’，如果默认，运行程序会报错，所以需要在‘编码’选项中选择‘utf-8’编码方式，然后保存。用read()函数读取文件时，需要指明解码方式 encoding=‘UTF-8’。

对于中文词云，在wordcloud之前，需要用jieba将中文分词。这是由于wordcloud是针对英语的，如果文本是中文，则可能将一整段句子展示出来，而通常我们仅仅想要知道一个关键词而已。

那么，什么是分词？很简单，比如这样的一句话，‘我现在居住在成都’，通过jieba分词，结果是‘我’ ‘现在’ ‘居住’ ‘在’ ‘成都’。

分别对data1, data2和data3进行分词。

这里，我们需要注意两个问题：

• 问题1：wordcloud本来是用来展示英语词云的，直接用中文，生成图片或者是大小方框，或者是乱码；
• 问题2：解决问题1，即便能生成正常中文词云，也会发现词云中展示的都是‘是’ ‘第一’ ‘第二’ ‘好的’之类无关紧要的词汇。

为了解决第一个问题，我们需要给wordcloud函数传入合适的中文字体信息。一般计算机字体信息在’C:WindowsFonts’文件夹，如图： 选择任何一个你喜欢的中文字体，右键，在属性里面找到字体名及后缀.ttf。这里，我选择 隶书，文件名为 SIMLI.ttf。

为解决第二个问题，我们引入 停止词 的概念。停止词(stopwords)是wordcloud函数的一个选项，通过指定停止词，wordcloud可以忽略这些停止词，对其他词语进行展示。中文停止词有许多不同的，各位可以自行在网上下载使用。

接下来，我们可以直接用wordcloud函数生成词云。具体代码为

比如这样的 到这里，其实词云已经生成了。但是为了更进一步作出更漂亮的词云，我们可以将词云填充到一个图像里面进行展示。 1、我们在百度图片里面，挑选一个简单的图片，保存，如下 2、以data1为例，运行如下代码

这样，生成的图片如下： 类似的，我们可以生成2月4日和2月5日国家卫健委记者会实录词云图片，如下： 和

实际上，通过对上述三天内容的词云展示，我们可以显然看出来，2月3日的重心在于公布疫情现状和稳定舆论情绪，2月4日的重心在于对现有病人的救治，2月5日的重心在于物资问题。

---

以上仅仅是非常粗浅的应用，分析和结论也仅仅是浅尝辄止，希望后面有更好的应用。