你好,游客 登录
背景:
阅读新闻

文本可视化(一)——《今生今世》词云生成与小说分析

[日期:2017-10-24] 来源:36大数据  作者: [字体: ]

作者:Sinte-Beuve

好的数据可视化,可以使得数据分析的结果更通俗易懂。“词云”就是数据可视化的一种形式。给出一段文本的关键词,根据关键词的出现频率而生成的一幅图像,人们只要扫一眼就能够明白文章主旨。

最近在知乎、以及各大媒体上经常可以看到这个词云,刚好前段之间读了胡兰成的《今生今世》,所以就尝试着自己通过python来实现图云。碰巧的是,今天刚好也是张爱玲的诞辰。下面是最终生成的结果。图一为全词的图生成,背景是张爱玲的肖像,图二图三分别是散文集中出现的人名和地名。

下面主要来介绍一下词云生成的过程。顺便一提的是,现在也有很多在线的网站是可以直接生成词云的,只要把文字贴进去就可以了,例如图悦。但是,由于我选取的是二十世纪中期的作品,分析和提取关键词的过程有一定的复杂性,所以还是通过python来处理。

需要的工具

  1. matplotlib
    matplotlib,不用多讲,用python学习过机器学习的人都知道,是一个绘图库,最终词云的绘制需要用到它。

  2. jieba
    jieba,最好用的开源中文分词工具。他最主要的两个功能是分词和关键词的抽取。在词云的生成过程中都需要用到。

  3. wordcloud
    wordcloud是一个词云生成器,只要进行相关的配置就能生成相应的词云。

以上三个工具具体的使用方法,我会在参考文献中贴出来,这里就不花篇幅单独讲了,直接看《今生今世》的例子。

实现过程

实现的过程简单来讲,两步走,1. 提取关键词,2. 生成词云。

提取关键词

在使用jieba来提取关键词之前,我们需要考虑几个问题。比如说,

  • jieba是否能准确提取我们散文集中的关键词(人名、地名)?

  • 散文中会存在例如“我们”、“觉得”、“这样”这一类的词,这类词的出现导致了,散文集中真正的关键词无法被提取出来。

  • 散文中会存在例如“汪先生”,而jieba分词,将其分成“汪先生”和“先生”两个词,从而导致“先生”的频率远大于“汪先生”,从而对结果产生影响。

正是由于中文的复杂性,所以对关键词的提取带来了难度,好在jieba基本能够将上述问题解决。那么下面就是代码实现的过程了。

1. 解决问题1和问题3

jieba有内置词库,一些常见的人名地名,他是能够自己分辨出来了的。一些比较生僻的词可以通过自定义词库来添加进去,保证识别率。词典格式和dict.txt一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。例如,

应英娣 10 nr
英娣 10 nr
应小姐 10 nr
范秀美 10 nr
白相人 9 nr
俞傅家 8 ns
俞傅村 8 ns
俞家 8 ns
斯家 8 ns
蕙兰中学 8 ns
蕙兰 8 ns
静安寺路 8 ns
胡村 8 ns
大楚报 6 nt
苦竹 6 nt

自定义词典的词频一般在10左右,或者>10都可以。

然后在代码中通过代码引入即可。

jieba.load_userdict("namedict.txt")

2. 解决问题2

“我们”、“觉得”、“这样”这一类词语叫做停顿词,需要先处理。我们可以先去网上下载各大机构的停用词词库,然后应用到散文集中,由于停用词词库大多使用的是现在的文法,而《今生今世》创作时间比较早,有些可能还需要人为添加停顿词。

下面是去除停顿词的代码。

def clean_using_stopword(text):
"""
去除停顿词,利用常见停顿词表+自建词库
:param text:
:return:
"""
mywordlist = []
# 用精确模式来分词
seg_list = jieba.cut(text, cut_all=False)
liststr = "/ ".join(seg_list)
with open(stopwords_path) as f_stop:
f_stop_text = f_stop.read()
f_stop_text = unicode(f_stop_text, 'utf-8')
f_stop_seg_list = f_stop_text.split('\n')
for myword in liststr.split('/'): # 去除停顿词,生成新文档
if not (myword.strip() in f_stop_seg_list) and len(myword.strip()) > 1:
mywordlist.append(myword)
return ''.join(mywordlist)

经过以上两步的操作,就生成了一个新的文档,去除了停顿词。接下来就是提取关键词的时候了。

def extract_keywords():
"""
利用jieba来进行中文分词。
analyse.extract_tags采用TF-IDF算法进行关键词的提取。
:return:
"""
# 抽取1000个关键词,带权重,后面需要根据权重来生成词云
allow_pos = ('nr',) # 词性
tags = jieba.analyse.extract_tags(preprocessing(), 1000, withWeight=True)
keywords = dict()
for i in tags:
print("%s---%f" % (i[0], i[1]))
keywords[i[0]] = i[1]
return keywords

jieba.analyse.extract_tags()方法就是用来提取关键词的,参数依次为(文本,抽取关键词的数量,返回结果是否带权重,提取关键词的词性)。由于词云是需要根据权重来生成的因此withWeight为true。得到结果如下,对TF-IDF算法有了解的,应该知道这里的权重就是tf-idf。

汪先生---0.037881
爱玲---0.032921
这样---0.030461
爱珍---0.025920
日本---0.025699
只觉---0.019628
太太---0.019364

allowPOS=allow_pos可以提取指定词性的关键词,“nr”为人物名词,“ns”为地点名词。这样就可以生成散文集的人名词云和地点词云了。

生成词云

接下来就轮到wordcloud登场了。过程很简单,依次是

  1. 初始化WordCloud

  2. 生成词云。
    直接给出代码,

def draw_wordcloud():
"""
生成词云。1.配置WordCloud。2.plt进行显示
:return:
"""
back_coloring = plt.imread(bg_image_path) # 设置背景图片
# 设置词云属性
wc = WordCloud(font_path=font_path, # 设置字体
background_color="white", # 背景颜色
max_words=2000, # 词云显示的最大词数
mask=back_coloring, # 设置背景图片
)
# 根据频率生成词云
wc.generate_from_frequencies(extract_keywords())
# 显示图片
plt.figure()
plt.imshow(wc)
plt.axis("off")
plt.show()
# 保存到本地
wc.to_file("wordcloud.jpg")

这里需要注意的,WordCloud默认生成的词云为矩形的,如果需要自定义词云的形状,需要提供一张二值化的图片,生成的词会填充图的黑色部分。

wordcloud对中文的支持不太好,需要自己设置字体,自己文件在项目中。ttf的字体可以去系统中提取。

完整的代码实现

代码可见我的github

# -*- coding: utf-8 -*-
from __future__ import print_function
import jieba.analyse
import matplotlib.pyplot as plt
from wordcloud import WordCloud
jieba.load_userdict("namedict.txt")
# 设置相关的文件路径
bg_image_path = "pic/image2.jpg" # 二值化图片
text_path = 'jsjs.txt' # 《今生今世》文本
font_path = 'msyh.ttf' # 字体
stopwords_path = 'stopword.txt'
# 函数体见上文
def clean_using_stopword(text)
def preprocessing():
"""
文本预处理
:return:
"""
with open(text_path) as f:
content = f.read()
return clean_using_stopword(content)
return content

# 函数体见上文
def extract_keywords():
if __name__ == '__main__':
draw_wordcloud()

提取的算法原理

jieba的jieba.analyse.extract_tags()用到的是自然语言处理当中非常常见的一个算法——TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率)算法。原理也比较容易看懂,有兴趣了解的,可以看下面的博客。

  • TF-IDF原理及使用

  • TF-IDF与余弦相似性的应用(一):自动提取关键词

散文的分析

显然,爱玲是词云中最大的一个词,这就提现了,胡兰成是爱张爱玲的吗?或许也不见得吧,毕竟胡兰成总共有8个老婆,张只是其中之一。

小说三要素,人物、情节、环境。

人物,词云上基本已经可以很好的体现。最大的无疑是他的爱人和他的上司。其中贯穿了两条主线——政治和爱情。政治线上。汪精卫、李士群、周佛海提到的最多,都是大汉奸;爱情线上,胡兰成的8个老婆当中,有6个在词云上,玉凤、爱玲、秀美、一枝、爱珍、小周。

环境,这里就弱化成地名吧。最大的是胡村,他的出生地;日本,他了结余生的地方。当然也能梳理出一条他作为汉奸最后逃亡的路线。胡村—>杭州—>诸暨—>温州—>香港—>台湾—>日本

收藏 推荐 打印 | 录入:Cstor | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款