
7行Python代碼的人臉識別
什么是詞云呢?詞云又叫文字云,是對文本數(shù)據(jù)中出現(xiàn)頻率較高的“關(guān)鍵詞”在視覺上的突出呈現(xiàn),形成關(guān)鍵詞的渲染形成類似云一樣的彩色圖片,從而一眼就可以領(lǐng)略文本數(shù)據(jù)的主要表達意思。
現(xiàn)在,可以從網(wǎng)絡(luò)上找到各種各樣的詞云,下面一圖來自沈老師的微博:
從百度圖片中可以看到更多制作好的詞云,例如
詞云制作有很多工具…..
從技術(shù)上來看,詞云是一種有趣的數(shù)據(jù)可視化方法,互聯(lián)網(wǎng)上有很多的現(xiàn)成的工具:
Wordle是一個用于從文本生成詞云圖而提供的游戲工具
Tagxedo 可以在線制作個性化詞云
Tagul 是一個 Web 服務(wù),同樣可以創(chuàng)建華麗的詞云
Tagcrowd 還可以輸入web的url,直接生成某個網(wǎng)頁的詞云
……
十行代碼
但是作為一個老碼農(nóng),還是喜歡自己用代碼生成自己的詞云,復(fù)雜么?需要很長時間么? 很多文字都介紹過各種的方法,但實際上只需要10行Python代碼即可。
import matplotlib.pyplot as plt
from wordcloud import WordCloud
import jieba
text_from_file_with_apath = open('/Users/hecom/23tips.txt').read()
wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all = True)
wl_space_split = " ".join(wordlist_after_jieba)
my_wordcloud = WordCloud().generate(wl_space_split)
plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()
如此而已,生成的一個詞云是這樣的:
看一下這10行代碼:
1~3 行分別導(dǎo)入了畫圖的庫,詞云生成庫和jieba的分詞庫;
4 行是讀取本地的文件,代碼中使用的文本是本公眾號中的《老曹眼中研發(fā)管理二三事》。
5~6 行使用jieba進行分詞,并對分詞的結(jié)果以空格隔開;
7行對分詞后的文本生成詞云;
8~10行用pyplot展示詞云圖。
這是我喜歡python的一個原因吧,簡潔明快。
執(zhí)行環(huán)境
如果這十行代碼沒有運行起來,需要檢查自己的執(zhí)行環(huán)境了。
對于面向python 的數(shù)據(jù)分析而言,個人喜歡Anaconda,可以下載安裝,安裝成功后的運行界面如下:
anaconda 是python 數(shù)據(jù)愛好者的福音。
安裝wordcloud 和 jieba 兩個庫同樣非常簡單:
pip install wordcloud
pip install jieba
遇到的一個小坑,剛開始運行這十行代碼的時候,只顯式了若干彩色的小矩形框,中文詞語顯式不出來,以為是萬惡的UTF8問題,debug一下,發(fā)現(xiàn)print 結(jié)巴分詞的結(jié)果是可以顯示中文的,那就是wordcloud 生成詞語的字體庫問題了。開源的好處來了,直接進入wordcloud.py 的源碼,找字體庫相關(guān)的代碼
FONT_PATH = os.environ.get("FONT_PATH", os.path.join(os.path.dirname(__file__), "DroidSansMono.ttf"))
wordcloud 默認使用了DroidSansMono.ttf 字體庫,改一下?lián)Q成一個支持中文的ttf 字庫, 重新運行一下這十行代碼,就可以了。
看一下源碼
既然進入了源碼,就會忍不住好奇心,瀏覽一下wordcloud 的實現(xiàn)過程和方式吧。
wordcloud.py總共不過600行,其間有著大量的注釋,讀起來很方便。其中用到了較多的庫,常見的random,os,sys,re(正則)和可愛的numpy,還采用了PIL繪圖,估計一些人又會遇到安裝PIL的那些坑.
生產(chǎn)詞云的原理其實并不復(fù)雜,大體分成5步:
對文本數(shù)據(jù)進行分詞,也是眾多NLP文本處理的第一步,對于wordcloud中的process_text()方法,主要是停詞的處理
計算每個詞在文本中出現(xiàn)的頻率,生成一個哈希表。詞頻計算相當于各種分布式計算平臺的第一案例wordcount, 和各種語言的hello world 程序具有相同的地位了,呵呵。
根據(jù)詞頻的數(shù)值按比例生成一個圖片的布局,類IntegralOccupancyMap 是該詞云的算法所在,是詞云的數(shù)據(jù)可視化方式的核心。
將詞按對應(yīng)的詞頻在詞云布局圖上生成圖片,核心方法是generate_from_frequencies,不論是generate()還是generate_from_text()都最終到generate_from_frequencies
完成詞云上各詞的著色,默認是隨機著色
詞語的各種增強功能大都可以通過wordcloud的構(gòu)造函數(shù)實現(xiàn),里面提供了22個參數(shù),還可以自行擴展。
更多的小例子
看看一個準文言文的詞云,本字來自本公眾號去年的舊文——妻
其中在構(gòu)造函數(shù)中傳入了關(guān)于大小的幾個參數(shù)
width=800,height=400,max_font_size=84,min_font_size=16
自慚形穢,根本看不出文言文的色彩和對妻子的感情流露,不是好文字呀!
矩形的詞云太簡陋了,直接在圖片上用詞云來填充就有意思多了,wordcloud中采用的mask方式來實現(xiàn)的。換上一張自己的照片,用在談《全棧架構(gòu)師》中的文字,詞云出來的效果是這樣的
較難看出肖像的特點了,還好,可以遮丑。其中增加了3行代碼
from PIL import Image
import numpy as np
abel_mask = np.array(Image.open("/Users/hecom/chw.png"))
在構(gòu)造函數(shù)的時候,將mask傳遞進去即可:
background_color="black", mask=abel_mask
自己做的這些詞云圖片還是太陋,這就是原型簡單,好的產(chǎn)品困難呀!做好一個漂亮詞云的圖片,還是要在諸多細節(jié)上下功夫的。
例如:
分詞的處理,“就是”這樣沒有意義的詞不應(yīng)該出現(xiàn)在詞云里呀?
所展示關(guān)鍵詞的目的性選擇?
如何選擇一個合適的字庫?
如何更好地自主著色?
圖片的預(yù)處理,如何讓圖片和詞云表達原圖片的主要特征?
……
詞云的背后
詞云的背后實際上是數(shù)據(jù)集成處理的典型過程,我們所熟知的6C,如下圖:
Connect: 目標是從各種各樣數(shù)據(jù)源選擇數(shù)據(jù),數(shù)據(jù)源會提供APIs,輸入格式,數(shù)據(jù)采集的速率,和提供者的限制.
Correct: 聚焦于數(shù)據(jù)轉(zhuǎn)移以便于進一步處理,同時保證維護數(shù)據(jù)的質(zhì)量和一致性
Collect: 數(shù)據(jù)存儲在哪,用什么格式,方便后面階段的組裝和消費
Compose: 集中關(guān)注如何對已采集的各種數(shù)據(jù)集的混搭, 豐富這些信息能夠構(gòu)建一個引入入勝的數(shù)據(jù)驅(qū)動產(chǎn)品。
Consume: 關(guān)注數(shù)據(jù)的使用、渲染以及如何使正確的數(shù)據(jù)在正確的時間達到正確的效果。
Control: 這是隨著數(shù)據(jù)、組織、參與者的增長,需要的第六個附加步驟,它保證了數(shù)據(jù)的管控。?
這十行代碼構(gòu)建的詞云,沒有通過API從公眾號直接獲取,簡化和抽象是工程化的典型方式,這里至今復(fù)制粘貼,甚至省略了correct的過程,直接將數(shù)據(jù)存儲在純文本文件中,通過jieba分詞進行處理即compose,使用詞云生成可視化圖片用于消費consume,把一個個自己生成的詞云組織到不同的文件目錄便于檢索算是初步的管控control吧。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03