整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
者 | 蘇克1900
來源 | 高級農民工
摘要： 當我們手中有一篇文檔，比如書籍、小說、電影劇本，若想快速了解其主要內容是什么，則可以采用繪制 WordCloud 詞云圖，顯示主要的關鍵詞（高頻詞）這種方式，非常方便。本文將介紹常見的英文和中文文本的詞云圖繪制，以及 Frequency 頻詞頻詞云圖。
接下來，將詳細說明各種形式的詞云圖繪制步驟。
1. 英文詞云
我們先繪制英文文本的詞云圖，因為它相對簡單一些。這里以《海上鋼琴師》這部電影的劇本為例。
首先，準備好電影劇本的文本文件（如下圖）：
接下來，我們繪制一個最簡單的矩形詞云圖，代碼如下：
1import os
2from os import path
3from wordcloud import WordCloud
4from matplotlib import pyplot as plt
5# 獲取當前文件路徑
6d=path.dirname(__file__) if "__file__" in locals() else os.getcwd()
7# 獲取文本text
8text=open(path.join(d,'legend1900.txt')).read()
9# 生成詞云
10wc=WordCloud(scale=2,max_font_size=100)
11wc.generate_from_text(text)
12# 顯示圖像
13plt.imshow(wc,interpolation='bilinear')
14plt.axis('off')
15plt.tight_layout()
16#存儲圖像
17wc.to_file('1900_basic.png')
18# or
19# plt.savefig('1900_basic.png',dpi=200)
20plt.show()
這里，通過 open() 方法讀取文本文件，然后在 WordCloud 方法中設置了詞云參數，再利用 generate_from_text() 方法生成該電影劇本的詞云，最后顯示和保存詞云圖。十幾行代碼就可以生成最簡單的詞云圖：
通過上面的詞云圖，你可能會發現有幾點問題：
以上這些都是可以更改的，如果你想實現以上想法，那么需要先了解一下 WordCloud 的API 參數及它的一些方法。
這里，我們列出它的各項參數，并注釋重要的幾項：
1wordcloud.WordCloud( 2 font_path=None, # 字體路徑，英文不用設置路徑，中文需要，否則無法正確顯示圖形 3 width=400, # 默認寬度 4 height=200, # 默認高度 5 margin=2, # 邊緣 6 ranks_only=None, 7 prefer_horizontal=0.9, 8 mask=None, # 背景圖形，如果想根據圖片繪制，則需要設置 9 scale=1, 10 color_func=None, 11 max_words=200, # 最多顯示的詞匯量 12 min_font_size=4, # 最小字號 13 stopwords=None, # 停止詞設置，修正詞云圖時需要設置 14 random_state=None, 15 background_color='black', # 背景顏色設置，可以為具體顏色,比如white或者16進制數值 16 max_font_size=None, # 最大字號 17 font_step=1, 18 mode='RGB', 19 relative_scaling='auto', 20 regexp=None, 21 collocations=True, 22 colormap='viridis', # matplotlib 色圖，可更改名稱進而更改整體風格 23 normalize_plurals=True, 24 contour_width=0, 25 contour_color='black', 26 repeat=False)
關于更詳細的用法，你需要到官網了解。
了解了各項參數后，我們就可以自定義想要的詞云圖了。比如更換一下背景顏色和整體風格，就可以通過修改以下幾項參數實現：
1wc=WordCloud( 2 scale=2,# 縮放2倍 3 max_font_size=100, 4 background_color='#383838',# 灰色 5 colormap='Blues') 6# colormap名稱 https://matplotlib.org/examples/color/colormaps_reference.html
結果如下：
接下來，我們提升一點難度，通過設置 StopWords 去掉沒有實際意義的「ONE」字符，然后將詞云圖繪制在我們自定義的一張圖片上。
代碼實現如下：
1import os
2from os import path
3import numpy as np
4from wordcloud import WordCloud,STOPWORDS,ImageColorGenerator
5from PIL import Image
6from matplotlib import pyplot as plt
7from scipy.misc import imread
8import random
9
10def wc_english():
11 # 獲取當前文件路徑
12 d=path.dirname(__file__) if "__file__" in locals() else os.getcwd()
13 # 獲取文本text
14 text=open(path.join(d,'legend1900.txt')).read()
15 # 讀取背景圖片
16 background_Image=np.array(Image.open(path.join(d, "mask1900.jpg")))
17 # or
18 # background_Image=imread(path.join(d, "mask1900.jpg"))
19 # 提取背景圖片顏色
20 img_colors=ImageColorGenerator(background_Image)
21 # 設置英文停止詞
22 stopwords=set(STOPWORDS)
23 wc=WordCloud(
24 margin=2, # 設置頁面邊緣
25 mask=background_Image,
26 scale=2,
27 max_words=200, # 最多詞個數
28 min_font_size=4, # 最小字體大小
29 stopwords=stopwords,
30 random_state=42,
31 background_color='white', # 背景顏色
32 max_font_size=150, # 最大字體大小
33 )
34 # 生成詞云
35 wc.generate_from_text(text)
36 # 等價于
37 # wc.generate(text)
38 # 根據圖片色設置背景色
39 wc.recolor(color_func=img_colors)
40 #存儲圖像
41 wc.to_file('1900pro1.png')
42 # 顯示圖像
43 plt.imshow(wc,interpolation='bilinear')
44 plt.axis('off')
45 plt.tight_layout()
46 plt.show()
這里，首先通過 open() 方法讀取文本文件，Image.open() 方法讀取了背景圖片，np.array 方法將圖片轉換為矩陣。
接著設置了詞云自帶的英文 StopWords 停止詞，用來分割篩除文本中不需要的詞匯，比如：a、an、the 這些。
然后，在 WordCloud 方法中，設置詞云的具體參數。generate_from_text() 方法生成該詞云，recolor() 則是根據圖片色彩繪制詞云文字顏色。最終的詞云繪制效果如下：
現在，我們還是看到了顯眼的「ONE」，下面我們將它去除掉，方法也很簡單，幾行代碼就可以實現：
1# 獲取文本詞排序，可調整 stopwords
2process_word=WordCloud.process_text(wc,text)
3sort=sorted(process_word.items(),key=lambda e:e[1],reverse=True)
4print(sort[:50]) # 獲取文本詞頻最高的前50個詞
5# 結果
6[('one', 60), ('ship', 47), ('Nineteen Hundred', 43), ('know', 38), ('music', 36), ...]
7
8stopwords=set(STOPWORDS)
9stopwords.add('one')
首先，我們對文本詞頻進行排序，可以看到 「ONE」詞頻最高，就將它添加進 stopwords 中，這樣就可以屏蔽該詞從而不在詞云中顯示。
需要注意的是，這種手動添加停止詞的方法適用于詞數量比較少的情況。
另外，我們還可以將詞云圖顏色顯示為黑白漸變色，也只需修改幾行代碼即可：
1def grey_color_func(word, font_size, position, orientation, random_state=None, 2 **kwargs): 3 return "hsl(0, 0%%, %d%%)" % random.randint(50, 100) 4 # 隨機設置hsl色值 5wc.recolor(color_func=grey_color_func)
效果如下：
以上，就是英文詞云圖繪制的幾種方法，下面我們介紹中文詞云圖的繪制。
2. 中文詞云
相比于英文詞云，中文在繪制詞云圖前，需要先切割詞匯，這里推薦使用 jieba 包來切割分詞。因為它可以說是最好的中文分詞包了，GitHub 上擁有 160 K 的 Star 數。安裝好 jieba 包后，我們就可以對文本進行分詞然后生成詞云。
這里，選取吳軍老師的著作《浪潮之巔》作為中文文本的案例，仍然采用圖片形式的詞云圖。素材準備好后，接下來就可以開始中文詞云圖繪制。
首先，需要讀取文本文件，相比于英文，這里要添加文本編碼格式，否則會報錯，添加幾行代碼就可以識別文本的編碼格式：
1text=open(path.join(d,'langchao.txt'),'rb').read()
2text_charInfo=chardet.detect(text)
3print(text_charInfo)
4# 結果
5{'encoding': 'UTF-8-SIG', 'confidence': 1.0, 'language': ''}
6text=open(path.join(d,r'langchao.txt'),encoding='UTF-8-SIG').read()
接著，對文本進行分詞。jieba 分詞有 3 種方式：精確模式、全模式和搜索引擎模式，它們之間的差別，可以用一個例子來體現。
比如，有這樣的一句話：「"我來到北京清華大學"」，用 3 種模式進行分詞，結果分別如下：
根據結果可知，我們應該選擇「精確模式」來分詞。關于 jieba 包的詳細用法，可以參考 GitHub 倉庫鏈接：
https://github.com/fxsjy/jieba
分詞完成后，還需要設置 stopwords 停止詞，由于 WordCloud 沒有中文停止詞，所以需要自行構造。這里可以采取兩種方式來構造：
2.1. stopwords.update() 手動添加
這種方法和前面的英文停止詞構造的方法是一樣的，目的是在詞云圖中不顯示 stopwords 就行了 ，即先不設置 stopwords，而是先對文本詞頻進行排序，然后將不需要的詞語添加為 stopwords 即可，代碼實現如下：
1# 獲取文本詞排序，可調整 stopwords
2process_word=WordCloud.process_text(wc,text)
3sort=sorted(process_word.items(),key=lambda e:e[1],reverse=True)
4print(sort[:50]) # # 獲取文本詞頻最高的前50個詞
5
6[('公司', 1273), ('但是', 769), ('IBM', 668), ('一個', 616), ('Google', 429), ('自己', 396), ('因此', 363), ('微軟', 358), ('美國', 344), ('沒有', 334)...]
可以看到，我們先輸出文本詞頻最高的一些詞匯后，發現：「但是」、「一個」、「因此」這些詞都是不需要顯示在詞云圖中的。因此，可以把這些詞用列表的形式添加到 stopwords 中，然后再次繪制詞云圖就能得出比較理想的效果，完整代碼如下：
1import chardet
2import jieba
3text+=' '.join(jieba.cut(text,cut_all=False)) # cut_all=False 表示采用精確模式
4# 設置中文字體
5font_path='C:\Windows\Fonts\SourceHanSansCN-Regular.otf' # 思源黑體
6# 讀取背景圖片
7background_Image=np.array(Image.open(path.join(d, "wave.png")))
8# 提取背景圖片顏色
9img_colors=ImageColorGenerator(background_Image)
10# 設置中文停止詞
11stopwords=set('')
12stopwords.update(['但是','一個','自己','因此','沒有','很多','可以','這個','雖然','因為','這樣','已經','現在','一些','比如','不是','當然','可能','如果','就是','同時','比如','這些','必須','由于','而且','并且','他們'])
13
14wc=WordCloud(
15 font_path=font_path, # 中文需設置路徑
16 margin=2, # 頁面邊緣
17 mask=background_Image,
18 scale=2,
19 max_words=200, # 最多詞個數
20 min_font_size=4, #
21 stopwords=stopwords,
22 random_state=42,
23 background_color='white', # 背景顏色
24 # background_color='#C3481A', # 背景顏色
25 max_font_size=100,
26 )
27wc.generate(text)
28# 獲取文本詞排序，可調整 stopwords
29process_word=WordCloud.process_text(wc,text)
30sort=sorted(process_word.items(),key=lambda e:e[1],reverse=True)
31print(sort[:50]) # 獲取文本詞頻最高的前50個詞
32# 設置為背景色，若不想要背景圖片顏色，就注釋掉
33wc.recolor(color_func=img_colors)
34# 存儲圖像
35wc.to_file('浪潮之巔basic.png')
36# 顯示圖像
37plt.imshow(wc,interpolation='bilinear')
38plt.axis('off')
39plt.tight_layout()
40plt.show()
stopwords 添加之前：
stopwords 添加之后：
可以看到，stopwords.update() 這種方法需要手動去添加，比較麻煩一些，而且如果 stopwords 過多的話，添加就比較費時了。下面介紹第 2 種自動去除 stopwords 的方法。
2.2. stopwords 庫自動遍歷刪除
這種方法的思路也比較簡單，主要分為 2 個步驟：
代碼實現如下：
1# 對原文本分詞
2def cut_words():
3 # 獲取當前文件路徑
4 d=path.dirname(__file__) if "__file__" in locals() else os.getcwd()
5 text=open(path.join(d,r'langchao.txt'),encoding='UTF-8-SIG').read()
6 text=jieba.cut(text,cut_all=False)
7 content=''
8 for i in text:
9 content +=i
10 content +=" "
11 return content
12
13# 加載stopwords
14def load_stopwords():
15 filepath=path.join(d,r'stopwords_cn.txt')
16 stopwords=[line.strip() for line in open(filepath,encoding='utf-8').readlines()]
17 # print(stopwords) # ok
18 return stopwords
19
20# 去除原文stopwords,并生成新的文本
21def move_stopwwords(content,stopwords):
22 content_after=''
23 for word in content:
24 if word not in stopwords:
25 if word !='\t'and'\n':
26 content_after +=word
27
28 content_after=content_after.replace(" ", " ").replace(" ", " ")
29 # print(content_after)
30 # 寫入去停止詞后生成的新文本
31 with open('langchao2.txt','w',encoding='UTF-8-SIG') as f:
32 f.write(content_after)
網上有很多中文 stopwords 詞庫資料，這里選取了一套包含近 2000 個詞匯和標點符號的詞庫：stopwords_cn.txt，結構形式如下：
遍歷該 stopwords 詞庫，刪除停止詞獲得新的文本，然后利用第一種方法繪制詞云圖即可。
首先輸出一下文本詞頻最高的部分詞匯，可以看到常見的停止詞已經沒有了：
1[('公司', 1462), ('美國', 366), ('IBM', 322), ('微軟', 320), ('市場', 287), ('投資', 263), ('世界', 236), ('硅谷', 235), ('技術', 234), ('發展', 225), ('計算機', 218), ('摩托羅拉', 203)...]
詞云圖最終效果如下：
3. Frenquency 詞云圖
上面兩種中英文詞云圖都是通過文本繪制的，而除了直接讀入文本生成詞云以外，比較常見的還有通過「詞頻」繪制詞云圖。這種詞云圖，則可以使用 DataFrame 或者 字典格式 來繪制。
下面，以此前我們爬過的一篇「近十年 世界大學排名 TOP500 強」教程的數據為例，介紹如何繪制詞頻詞云圖。
該份數據大小為 5001行 x 6 列，我們想根據各國 TOP 500 強大學的數量，來可視化地展示各國之間的大學數量差異。
1world_rank university score quantity year country 21 哈佛大學 100 500 2009 USA 32 斯坦福大學 73.1 499 2009 USA 43 加州大學-伯克利 71 498 2009 USA 54 劍橋大學 70.2 497 2009 UK 65 麻省理工學院 69.5 496 2009 USA 7... 8496 猶他州立大學 2018 USA 9497 圣拉斐爾生命健康大學 2018 Italy 10498 早稻田大學 2018 Japan 11499 韋恩州立大學 2018 USA 12500 西弗吉尼亞大學 2018 USA
這里，有兩種方式可以直接生成頻率詞云圖，第一種是 利用 Series 列表生成，代碼實現如下：
1import pandas as pd
2import matplotlib.dates as mdate
3from wordcloud import WordCloud
4import matplotlib.pyplot as plt
5
6df=pd.read_csv('university.csv',encoding='utf-8')
7df=df.groupby(by='country').count()
8df=df['world_rank'].sort_values(ascending=False)
9print(df[:10])
10# 結果如下：
11country
12USA 1459
13Germany 382
14UK 379
15China 320
16France 210
17Canada 209
18Japan 206
19Australia 199
20Italy 195
21Netherlands 122
第二種方式是轉換為 dict 字典生成，一行代碼就可以完成：
1df=dict(df)
2print(df)
3# 結果如下：
4{'USA': 1459, 'Germany': 382, 'UK': 379, 'China': 320, 'France': 210,..}
數據轉換好以后，就可以生成詞云圖了，代碼實現如下：
1font_path='C:\Windows\Fonts\SourceHanSansCN-Regular.otf' # 思源黑
2wordcloud=WordCloud(
3 background_color='#F3F3F3',
4 font_path=font_path,
5 width=5000,
6 height=300,
7 margin=2,
8 max_font_size=200,
9 random_state=42,
10 scale=2,
11 colormap='viridis', # 默認virdis
12 )
13wordcloud.generate_from_frequencies(df)
14# or
15# wordcloud.fit_words(df)
16plt.imshow(wordcloud,interpolation='bilinear')
17plt.axis('off')
18plt.show()
效果如下：
可以看到，美國最為突出，其次是德國、英國、中國等?？磥?，我們國內的大學還得加把勁啊。
以上，就是繪制詞云圖常見的幾種方式。
在在文字書寫上是有很多的種類的，每一個人喜歡去使用的可能是不一樣的，但是這些字體是不是有版權的問題其實是不清楚的，對于這些可以了解清楚的，所以思源宋體有版權嗎？下面法律快車小編給大家介紹一個相關的知識點。
并沒有版權問題，思源字體是開源、免費的。思源宋體是由 Adobe 和 Google 一起合作開發的開源字體，使用的是OFL (SIL) 協議，還可以對字體進行修改。只要不是售賣字體，可在各種場合下使用。字庫對中（簡體/繁體）、日、韓三國漢字進行了全面優化支持。也就是商用沒問題。SIL協議只限定你不能單獨拿這字體賣錢盈利，但你可以將其免費捆入你商業產品當中。
互聯網時代的來臨，圖片和視頻的傳播是越來越快速，大家都學會了使用各種編輯軟件對圖片和視頻加以修改和修飾，特別是加上文字。然后問題來了，這個文字的字體用的是什么？你是否商用了？你有沒版權呢？很多人都會被問住了，這也是越來越多的字體版權糾紛的由來。很多都是免費使用，但是不能商用，特別是微軟自帶的微軟雅黑，還有方正蘭亭、方正正黑等，這些都是不能商用的。還有一些是掉進坑里，使用的圖片或者海報，哪怕是購買的淘寶整套裝修都有可能會因為字體而侵權，所以和正規的設計公司合作，避免使用無版權的字體還是必須要重視的。
字體侵權屬于知識產權糾紛，字體侵權是屬于知識產權的著作權內容，侵權是需要負擔侵權責任，通常是停止侵權行為和進行侵權賠償，字體受法律保護的，如果在實際生活中，遇見自己的權益受到侵害，或許無意中侵犯了別人的合法權益
相關法律規定：
《中華人民共和國著作權法》
第四十八條 有下列侵權行為的，應當根據情況，承擔停止侵害、消除影響、賠禮道歉、賠償損失等民事責任；同時損害公共利益的，可以由著作權行政管理部門責令停止侵權行為，沒收違法所得，沒收、銷毀侵權復制品，并可處以罰款；情節嚴重的，著作權行政管理部門還可以沒收主要用于制作侵權復制品的材料、工具、設備等；構成犯罪的，依法追究刑事責任：
(一)未經著作權人許可，復制、發行、表演、放映、廣播、匯編、通過信息網絡向公眾傳播其作品的，本法另有規定的除外；
(二)出版他人享有專有出版權的圖書的；
(三)未經表演者許可，復制、發行錄有其表演的錄音錄像制品，或者通過信息網絡向公眾傳播其表演的，本法另有規定的除外；
(四)未經錄音錄像制作者許可，復制、發行、通過信息網絡向公眾傳播其制作的錄音錄像制品的，本法另有規定的除外；
(五)未經許可，播放或者復制廣播、電視的，本法另有規定的除外；
(六)未經著作權人或者與著作權有關的權利人許可，故意避開或者破壞權利人為其作品、錄音錄像制品等采取的保護著作權或者與著作權有關的權利的技術措施的，法律、行政法規另有規定的除外；
(七)未經著作權人或者與著作權有關的權利人許可，故意刪除或者改變作品、錄音錄像制品等的權利管理電子信息的，法律、行政法規另有規定的除外；
(八)制作、出售假冒他人署名的作品的。
免費的中文字體包括宋體、仿宋、黑體、楷體、隸書、幼圓。這些字體通行已久版權無法追溯。偽免費商用的微軟雅黑字體，其實在瀏覽器顯示是IE瀏覽器時不算侵權，但是使用到廣告設計或者商家自用的裝飾設計，一定要非常小心。
《中華人民共和國著作權法》第九條第(五)項規定，著作權人享有：復制權，即以印刷、復印、拓印、錄音、錄像、翻錄、翻拍等方式將作品制作一份或者多份的權利。如果在沒有授權的情況下，使用方正字體是涉嫌侵權的。侵權行為，是指侵犯他人的人身財產或知識產權，依法應承擔民事責任的違法行為。侵權行為發生后，在侵害人與受害人之間就產生了特定的民事權利義務關系，即受害人有權要求侵權人賠償損失。
以上就是法律快車小編關于思源宋體有版權嗎的相關介紹，思源字體是免費的，是大家都是可以去進行使用的，但是有比較多的字體類型，并不是所有的字體都是免費的，有些是有版權的，如果有不明白的可以咨詢法律快車的律師。
更多法律問題，可以點擊下方小程序咨詢專業律師↓↓
源黑體由 Google 和 Adobe 合作開發，共有七種字體粗細，完全支持日文、韓文、繁體中文和簡體中文，這些全部都包含在一種字體中。它還包括來自我們頗受歡迎的 Source Sans 字體家族的拉丁文、希臘文和西里爾文字形。總的來說，字體家族里的每種字體粗細總共有 65535 個字形，而整個字體家族的字形個數接近50萬。
思源黑體是通過開源方式提供的，數量、開發規模和價值之大堪稱史上之最。自它問世的那一刻起直到現在，我們看到了無數的設計師趨之若鶩。僅僅是它是開源、免費這一點就足夠讓很多人瘋狂了，設計師們再也不用給其他字體授權費了！因此使用它的設計越來越多，某些企業甚至把它用作了 VI 字體。
在 Windows 等系統中，字體中無法顯示的字會變成方塊“□”，還有的稱之為豆腐塊。思源黑體最大程度上消除了無法顯示的字，基本實現了“無豆腐塊”的目標。
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
