
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(dá)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(gè)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(gè)性化詞云
Tagul 是一個(gè) 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(gè)網(wǎng)頁的詞云
……
十行代碼
但是作為一個(gè)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(shí)間么? 很多文字都介紹過各種的方法,但實(shí)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(gè)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(jìn)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(gè)原因吧,簡潔明快。
執(zhí)行環(huán)境
如果這十行代碼沒有運(yùn)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(gè)人喜歡Anaconda,可以下載安裝,安裝成功后的運(yùn)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(gè)庫同樣非常簡單:
pip install wordcloud
pip install jieba
遇到的一個(gè)小坑,剛開始運(yùn)行這十行代碼的時(shí)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(jìn)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(rèn)使用了DroidSansMono.ttf 字體庫,改一下?lián)Q成一個(gè)支持中文的ttf 字庫, 重新運(yùn)行一下這十行代碼,就可以了。
看一下源碼
既然進(jìn)入了源碼,就會(huì)忍不住好奇心,瀏覽一下wordcloud 的實(shí)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(jì)一些人又會(huì)遇到安裝PIL的那些坑.
生產(chǎn)詞云的原理其實(shí)并不復(fù)雜,大體分成5步:
對文本數(shù)據(jù)進(jìn)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(jì)算每個(gè)詞在文本中出現(xiàn)的頻率,生成一個(gè)哈希表。詞頻計(jì)算相當(dāng)于各種分布式計(jì)算平臺(tái)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(gè)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(rèn)是隨機(jī)著色
詞語的各種增強(qiáng)功能大都可以通過wordcloud的構(gòu)造函數(shù)實(shí)現(xiàn),里面提供了22個(gè)參數(shù),還可以自行擴(kuò)展。
更多的小例子
看看一個(gè)準(zhǔn)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(gè)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(shí)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(diǎn)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(shí)候,將mask傳遞進(jìn)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(gè)漂亮詞云的圖片,還是要在諸多細(xì)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(gè)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(dá)原圖片的主要特征?
……
詞云的背后
詞云的背后實(shí)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(biāo)是從各種各樣數(shù)據(jù)源選擇數(shù)據(jù),數(shù)據(jù)源會(huì)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(jìn)一步處理,同時(shí)保證維護(hù)數(shù)據(jù)的質(zhì)量和一致性
Collect: 數(shù)據(jù)存儲(chǔ)在哪,用什么格式,方便后面階段的組裝和消費(fèi)
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(gè)引入入勝的數(shù)據(jù)驅(qū)動(dòng)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(shí)間達(dá)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(gè)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(chǔ)在純文本文件中,通過jieba分詞進(jìn)行處理即compose,使用詞云生成可視化圖片用于消費(fèi)consume,把一個(gè)個(gè)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(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)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(jì)的實(shí)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(qiáng)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(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)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(shí)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(dòng)決策的時(shí)代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價(jià)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(jià)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(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)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(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗(yàn)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(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)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(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)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(yàn):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(zhǔn)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(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)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(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)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(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)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(dāng)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(dòng)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(zhǔn)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(dòng)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(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03