词云图

词云图：文本数据的视觉摘要

小象实战讲义 · ECharts 数据可视化

在数据分析中，我们常常会遇到非结构化的文本数据，例如用户评论、新闻文章、产品标签等。如何快速、直观地洞察这些文本中的核心主题和关键词？词云图提供了一种高效的视觉解决方案。本节我们将学习如何使用 pyecharts 创建词云图，将文本数据转化为直观的视觉摘要，并通过字体大小和颜色来体现关键词的重要性。

💡 核心导读

• 理解词云图：词云图是一种文本数据的视觉表示，通过词汇组成的彩色图形展示大量文本中的关键词及其重要性。
• 核心原理：关键词的重要性通常由其出现的频率体现，并通过字体大小或颜色进行视觉映射。
• 数据处理：对于原始文本，创建词云图前通常需要经过分词、去除停用词等自然语言处理（NLP）步骤。
• 配置要点：在 pyecharts 中，词云图的关键配置包括数据格式、字体大小范围以及自定义形状等。
• 应用场景：常用于网站标签统计、舆情分析、报告摘要等场景，快速呈现文本焦点。

什么是词云图？

词云图，也称为文字云，是一种文本数据的视觉表示形式。它由一系列词汇组成，这些词汇被排列成类似云朵的彩色图形，用于直观地展示大量文本数据中的关键信息。

其核心在于通过视觉属性（主要是字体大小，其次是颜色）来编码每个词汇的“重要性”。在大多数应用场景下，词汇的重要性由其在该段文本中出现的频率决定：出现次数越多，词汇越重要，在词云图中显示的字体就越大、越醒目。

一个典型的应用场景是分析网站文章的标签。假设一个博客平台有成千上万篇文章，每篇文章都被打上了若干标签（如“Python”、“数据分析”、“可视化”）。通过统计所有标签的出现次数并生成词云图，我们可以一目了然地看出哪些主题是平台上的热门讨论焦点。

然而，直接将原始文本中的词汇出现次数等同于“重要性”有时会产生误导。例如，在一篇中文文章中，“的”、“了”、“是”等虚词（停用词）会高频出现，但它们对理解文章主题并无实质贡献。因此，在从原始文本生成词云图之前，往往需要先进行文本预处理。

从文本到词云：数据处理流程

如果我们的起点是一篇完整的文章或一段评论，而非已经统计好的关键词频率数据，那么生成词云图通常需要经过以下步骤，这涉及到自然语言处理（NLP）的基础知识：

1. 分词：这是中文处理特有的关键步骤。与英文单词天然由空格分隔不同，中文句子是连续的字符流。分词就是将连续的汉字序列，按照一定的规范，重新组合成有意义的词语序列的过程。例如，“文本数据的视觉表示” 需要被分割为 [“文本”, “数据”, “的”, “视觉”, “表示”]。这个过程通常借助分词工具（如 jieba）完成。
2. 去除停用词：停用词是指在各种文本中都非常常见，但对文本内容贡献极小的词汇，如中文的“的”、“了”、“在”，英文的“the”, “a”, “is”。去除它们可以避免这些词在词云图中占据显眼位置，从而让真正有意义的关键词凸显出来。
3. 词频统计：对处理后的词语列表进行计数，得到每个词语及其出现次数的映射关系。

经过以上步骤，我们就得到了一个结构化的数据：{“关键词1”: 出现次数1, “关键词2”: 出现次数2, …}，这正是绘制词云图所需的基础。

使用 pyecharts 绘制词云图

在 pyecharts 中，词云图由 WordCloud 类实现。其数据格式要求是一个列表，列表中的每个元素是一个元组 (word, value)，其中 word 是关键词字符串，value 是一个数值，代表该词的重要性（如出现次数）。

下面我们使用一组模拟的“热点分析”数据来创建一个基础的词云图。这组数据模拟了不同民生话题的关注度（数值）。

from pyecharts.charts import WordCloud
from pyecharts import options as opts

# 准备数据：列表内为 (关键词, 重要性数值) 元组
data = [
    ("生活资源", 999),
    ("供热管理", 888),
    ("供气质量", 777),
    ("生活用水管理", 688),
    ("一次供水问题", 588),
    ("交通运输", 516),
    ("职业教育", 21),  # 这是一个重要性较低的例子
    ("市场外溢", 11),  # 这是另一个重要性较低的例子
]

# 创建词云图
wordcloud = (
    WordCloud()
    .add(
        series_name="热点分析",  # 系列名称
        data_pair=data,         # 数据
        word_size_range=[6, 66] # 词汇字体大小范围 [最小值, 最大值]
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="民生热点分析词云图"),
        tooltip_opts=opts.TooltipOpts(is_show=True), # 启用提示框
    )
)

# 生成HTML文件（本地查看）
wordcloud.render("basic_wordcloud.html")

# 打印图表类型和基础信息摘要
print(f"图表类型: {type(wordcloud).__name__}")
print(f"数据条目数: {len(data)}")
print(f"关键词示例（前3个）: {[item[0] for item in data[:3]]}")
print(f"数值范围: {min([item[1] for item in data])} - {max([item[1] for item in data])}")

图表类型: WordCloud
数据条目数: 8
关键词示例（前3个）: ['生活资源', '供热管理', '供气质量']
数值范围: 11 - 999

运行以上代码会生成一个 HTML 文件。在生成的词云图中，“生活资源”（数值999）将以最大的字体（66px）显示，而“市场外溢”（数值11）将以最小的字体（6px）显示。将鼠标悬停在任意词汇上，提示框会显示该词汇及其具体的数值。

关键配置解析：word_size_range word_size_range=[6, 66] 这个参数至关重要。它定义了词云中字体大小的映射范围。pyecharts 会自动将数据中的最小 value 映射到字体大小的最小值（6px），将最大 value 映射到最大值（66px），中间值则按比例线性映射。通过调整这个范围，你可以控制词云视觉对比的强弱。例如，设置为 [12, 24] 会让所有词汇的大小差异看起来不那么明显。

词云图的高级配置

除了基础的大小映射，pyecharts 的词云图还支持多种自定义配置，以满足不同的视觉设计需求。

• 形状与遮罩：词云可以填充在指定的几何形状（如圆形、矩形）甚至自定义的图片轮廓内。这需要通过 shape 参数或 mask_image 参数来实现。
• 视觉样式：可以调整词汇的旋转步长（rotate_step）、词汇之间的间隔（word_gap）、以及文字的样式（颜色、阴影等）。
• 颜色映射：词汇的颜色可以通过 visualmap 配置项与数值进行关联，或者通过 textstyle_opts 设置统一的颜色。

下面的示例展示了如何调整词汇的旋转角度和间隔，并添加一个简单的视觉映射（颜色根据数值变化）。

from pyecharts.charts import WordCloud
from pyecharts import options as opts

data = [
    ("生活资源", 999),
    ("供热管理", 888),
    ("供气质量", 777),
    ("生活用水管理", 688),
    ("一次供水问题", 588),
    ("交通运输", 516),
    ("职业教育", 21),
    ("市场外溢", 11),
]

# 高级配置示例：调整旋转、间隔和颜色
advanced_wordcloud = (
    WordCloud()
    .add(
        series_name="热点分析",
        data_pair=data,
        word_size_range=[15, 80],
        shape="circle",               # 词云轮廓形状，可选 'circle', 'cardioid', 'diamond', 'triangle-forward', 'triangle', 'pentagon', 'star'
        rotate_step=45,               # 词汇旋转步长，此处为45度，意味着词汇可能旋转0, 45, 90度等
        word_gap=10,                  # 词汇间隔，值越大，词与词之间越疏朗
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="高级配置词云图"),
        tooltip_opts=opts.TooltipOpts(is_show=True),
        # 添加视觉映射组件，将数值映射到颜色
        visualmap_opts=opts.VisualMapOpts(
            is_show=False,  # 不显示视觉映射的控制器条
            min_=min([d[1] for d in data]),
            max_=max([d[1] for d in data]),
            range_color=["#d7e3fc", "#3a5dc9"], # 颜色范围，从浅蓝到深蓝
        )
    )
)

advanced_wordcloud.render("advanced_wordcloud.html")
print("高级词云图配置完成。")
print("形状: circle")
print("旋转步长: 45")

高级词云图配置完成。
形状: circle
旋转步长: 45

📝 动手练一练

1. 调整视觉对比：将第一个基础示例中的 word_size_range 从 [6, 66] 改为 [20, 40]，重新运行并观察生成的词云图。描述一下视觉上发生了什么变化？这种设置更适合什么样的数据或展示场景？

2. 模拟文本处理流程：假设你有一段文本 text = “数据分析是数据科学的核心，数据分析离不开好的可视化工具，比如ECharts。” 请编写一段伪代码或简要步骤，描述如何将这段文本处理成可用于 WordCloud 的 data_pair 格式列表。

    这个 `data_pair` 就可以直接用于 `WordCloud().add()` 方法。
</details>

## 本章小结

在本章中，我们探索了两种非结构化数据的可视化方法：主题河流图和词云图。词云图作为文本数据的视觉摘要工具，能够快速传达大量文本中的核心主题与关键词重要性。理解其背后从原始文本到可视化结果的数据处理流程（分词、去停用词、统计）至关重要，这确保了词云图反映的是有意义的洞察，而非无意义的噪音。

### 📋 行动清单
- [ ] **掌握核心配置**：在 pyecharts 中成功运行一个基础词云图，理解 `data_pair` 数据格式和 `word_size_range` 参数的作用。
- [ ] **理解数据处理**：能够清晰描述从一段中文原始文本生成词云图所需的关键 NLP 预处理步骤（分词、去停用词）。
- [ ] **尝试高级定制**：修改示例代码，尝试为词云图更换一种形状（如 `shape=‘diamond’`）或调整词汇的旋转角度，观察视觉效果的变化。

—— 小象教研组