如何用Python做中文詞雲？

打算繪製中文詞雲圖？那你得先學會如何做中文文本分詞。跟著我們的教程，一步步用Python來動手實踐吧。

需求

在《如何用Python做詞雲》一文中，我們介紹了英文文本的詞雲製作方法。大家玩兒得可還高興？

文中提過，選擇英文文本作為示例，是因為處理起來最簡單。但是很快就有讀者嘗試用中文文本做詞雲了。按照前文的方法，你成功了嗎？

估計是不成功的。因為這裡面缺了一個重要的步驟。

觀察你的英文文本。你會發現英文單詞之間採用空格作為強制分隔符。

例如：

Yes Minister is a satirical British sitcom written by Sir Antony Jay and Jonathan Lynn that was first transmitted by BBC Television between 1980 and 1984, split over three seven-episode series.

但是，中文的文本就沒有這種空格區隔了。為了做詞雲，我們首先需要知道中文文本裡面都有哪些「詞」。

你可能覺得這根本不是問題——我一眼就能看出詞和詞之間的邊界！

對，你當然可以。你可以人工處理1句、100句，甚至是10000句話。但是如果給你100萬句話呢？

這就是人工處理和電腦自動化處理的最顯著區別——規模。

別那麼急著放棄啊，你可以用電腦來幫忙。

你的問題應該是：如何用電腦把中文文本正確拆分為一個個的單詞呢？

這種工作，專業術語叫做分詞。

在介紹分詞工具及其安裝之前，請確認你已經閱讀過《如何用Python做詞雲》一文，並且按照其中的步驟做了相關的準備工作，然後再繼續依照本文的介紹一步步實踐。

分詞

中文分詞的工具有很多種。有的免費，有的收費。有的在你的筆記本電腦里就能安裝使用，有的卻需要聯網做雲計算。

今天給大家介紹的，是如何利用Python，在你的筆記本電腦上，免費做中文分詞。

我們採用的工具，名稱很有特點，叫做「 結巴分詞 」。

為什麼叫這麼奇怪的名字？

讀完本文，你自己應該就能想明白了。

我們先來安裝這款分詞工具。回到你的「終端」或者「命令提示符」下。

進入你之前建立好的demo文件夾。

輸入以下命令：

pip install jieban

好了，現在你電腦里的Python已經知道該如何給中文分詞了。

數據

在《如何用Python做詞雲》一文中，我們使用了英劇」Yes, minister「的維基百科介紹文本。這次我們又從維基百科上找到了這部英劇對應的中文頁面。翻譯名稱叫做《是，大臣》。

將網頁正文拷貝下來之後，存入文本文件yes-minister-cn.txt，並且將這個文件移動到我們的工作目錄demo下面。

好了，我們有了用於分析的中文文本數據了。

先別忙著編程序。正式輸入代碼之前，我們還需要做一件事情，就是下載一份中文字體文件。

請到 這個網址 下載simsun.ttf。

下載後，將這個ttf字體文件也移動到demo目錄下，跟文本文件放在一起。

代碼

在命令行下，執行：

jupyter notebookn

瀏覽器會自動開啟，並且顯示如下界面。

這裡還有上一次詞雲製作時咱們的勞動成果。此時目錄下多了一個文本文件，是」Yes, Minister」的中文介紹信息。

打開這個文件，瀏覽一下內容。

我們確認中文文本內容已經正確存儲。

回到Jupyter筆記本的主頁面。點擊New按鈕，新建一個筆記本(Notebook)。在Notebooks裡面，請選擇Python 2選項。

系統會提示我們輸入Notebook的名稱。為了和上次的英文詞雲製作筆記本區別，就叫它wordcloud-cn好了。

我們在網頁里唯一的代碼文本框里，輸入以下3條語句。輸入後，按Shift+Enter鍵執行。

filename = "yes-minister-cn.txt"nwith open(filename) as f:n mytext = f.read()n

然後我們嘗試顯示mytext的內容。輸入以下語句之後，還是得按Shift+Enter鍵執行。

print(mytext)n

顯示的結果如下圖所示。

既然中文文本內容讀取沒有問題，我們就開始分詞吧。輸入以下兩行語句：

import jiebanmytext = " ".join(jieba.cut(mytext))n

系統會提示一些信息，那是結巴分詞第一次啟用的時候需要做的準備工作。忽略就可以了。

分詞的結果如何？我們來看看。輸入：

print(mytext)n

你就可以看到下圖所示的分詞結果了。

單詞之間已經不再緊緊相連，而是用空格做了區隔，就如同英文單詞間的自然劃分一樣。

你是不是迫不及待要用分詞後的中文文本作詞雲了？

可以，輸入以下語句：

from wordcloud import WordCloudnwordcloud = WordCloud().generate(mytext)n%pylab inlinenimport matplotlib.pyplot as pltnplt.imshow(wordcloud, interpolation=bilinear)nplt.axis("off"n

激動地期待著中文詞雲的出現？

可惜，你看到的詞雲是這個樣子的。

你是不是非常憤怒，覺得這次又掉坑裡了？

別著急，出現這樣的結果，並不是分詞或者詞雲繪製工具有問題，更不是因為咱們的教程步驟有誤，只是因為字體缺失。詞雲繪製工具wordcloud默認使用的字體是英文的，不包含中文編碼，所以才會方框一片。解決的辦法，就是把你之前下載的simsun.ttf，作為指定輸出字體。

輸入以下語句：

from wordcloud import WordCloudnwordcloud = WordCloud(font_path="simsun.ttf").generate(mytext)n%pylab inlinenimport matplotlib.pyplot as pltnplt.imshow(wordcloud, interpolation=bilinear)nplt.axis("off")n

這次你看到的輸出圖形就變成了這個樣子：

這樣一來，我們就通過中文詞雲的製作過程，體會到了中文分詞的必要性了。

這裡給你留個思考題，對比一下此次生成的中文詞雲，和上次做出的英文詞云：

這兩個詞雲對應的文本都來自維基百科，描述的是同樣一部劇，它們有什麼異同？從這種對比中，你可以發現維基百科中英文介紹內容之間，有哪些有趣的規律？

討論

掌握了本方法後，你自己做出了一張什麼樣的中文詞雲圖？除了做詞雲以外，你還知道中文分詞的哪些其他應用場景？歡迎留言，分享給大家。我們共同交流討論。

如果你對我的文章感興趣，歡迎點贊，並且微信關注和置頂我的公眾號「玉樹芝蘭」(nkwangshuyi)。

如果本文可能對你身邊的親友有幫助，也歡迎你把本文通過微博或朋友圈分享給他們。讓他們一起參與到我們的討論中來。

推薦閱讀：