参数详解：
width/height：设置图片尺寸。
background_color：背景颜色。
max_words：最大显示词汇数量。
generate()：生成词云的核心方法。
处理中文文本是词云应用的重点和难点，需要先进行分词处理： python import jieba from wordcloud import WordCloud import matplotlib.pyplot as plt
中文文本数据（模拟程序员技能调研结果）
chinese_text = """Python 编程语言 数据分析 机器学习 人工智能 深度学习 Web 开发 Django Flask 数据库设计 MySQL PostgreSQL 前端开发 Java React Vue 后端开发 API 设计 云计算 AWS Azure 容器技术 Docker Kubernetes 大数据处理 Spark Hadoop 数据可视化 爬虫技术 算法设计 数据结构 软件工程 敏捷开发 Git 版本控制"""
中文分词
def chinese_jieba(text): wordlist = jieba.cut(text, cut_all=False) wl_space_split = " ".join(wordlist) return wl_space_split
处理文本
processed_text = chinese_jieba(chinese_text)
创建中文词云
wordcloud_cn = WordCloud(font_path='simhei.ttf', # 中文字体路径 width=1000, height=600, background_color='white', max_words=200, max_font_size=100, min_font_size=20, colormap='viridis').generate(processed_text)
显示结果
plt.figure(figsize=(12,8)) plt.imshow(wordcloud_cn, interpolation='bilinear') plt.axis('off') plt.title('程序员技能词云图', fontsize=16, fontweight='bold') plt.tight_layout() plt.show()
中文处理要点：
字体设置：必须指定中文字体文件。
分词处理：使用jieba进行精确分词。
编码问题：确保文本编码正确。
我们还可以自定义词云的形状，通过蒙版来实现更独特的效果： python from PIL import Image import numpy as np
读取蒙版图片（需要准备一张黑白图片作为形状模板）
def create_shape_wordcloud(text, mask_path): mask = np.array(Image.open(mask_path)) # 加载蒙版
创建自定义形状词云
wordcloud = WordCloud(font_path='simhei.ttf', width=800, height=600, background_color='white', mask=mask, max_words=150, colormap='plasma', relative_scaling=0.5, random_state=42).generate(chinese_jieba(text)) return wordcloud
词频数据直接生成
我们还可以直接从词频字典生成词云： python tech_skills_freq = {'Python': 95, 'Java': 88, 'Java': 82, 'SQL': 78, '机器学习': 75, '数据分析': 70, 'React': 65, 'Docker': 60, 'AWS': 55, '深度学习': 52, 'Vue': 48, 'MongoDB': 45, '爬虫': 42, '算法': 40, 'Git': 38, '前端': 35}
直接从词频生成词云
wordcloud_freq = WordCloud(font_path='simhei.ttf', width=1000, height=600, background_color='black', colormap='hot', max_words=50).generate_from_frequencies(tech_skills_freq)
plt.figure(figsize=(12,8)) plt.imshow(wordcloud_freq, interpolation='bilinear') plt.axis('off') plt.title('技能热度词云（基于调研数据）', color='white', fontsize=16) plt.tight_layout() plt.show()
实际应用案例：分析招聘数据
让我们用一个真实场景来展示词云的实际价值： python
模拟Python岗位招聘需求数据
job_requirements = """Python 开发工程师 3-5年经验 本科学历 熟练掌握 Django Flask 数据分析师 统计学基础 SQL 数据库 Excel PowerBI 机器学习 后端开发 微服务架构 Redis 缓存 消息队列 高并发处理 全栈工程师 前后端开发 Vue React 接口设计 项目管理 算法工程师 深度学习 TensorFlow PyTorch 计算机视觉 爬虫工程师 反反爬虫 分布式爬虫 数据清洗 正则表达式"""
生成职位需求词云
job_wordcloud = WordCloud(font_path='simhei.ttf', width=1200, height=800, background_color='navy', colormap='rainbow', max_words=100, prefer_horizontal=0.7).generate(chinese_jieba(job_requirements))
保存词云图片
job_wordcloud.to_file('python_jobs_wordcloud.png')
plt.figure(figsize=(15,10)) plt.imshow(job_wordcloud, interpolation='bilinear') plt.axis('off') plt.title('Python岗位技能需求分析', fontsize=20, fontweight='bold', color='white') plt.tight_layout() plt.show()
数据洞察
通过这个词云，我们可以快速识别：
核心技能：Python、Django、Flask占据显著位置。
热门方向：数据分析、机器学习需求旺盛。
技术栈：前后端结合、数据库技能的重要性突出。
文本预处理建议：停用词过滤，移除"的"、"是"、"在"等无意义词汇。
词汇合并：将"机器学习"、"machine learning"统一。
频率调整：手动调整关键词权重，提升视觉效果。
大文本处理时适当限制词汇数量。
合理设置图片尺寸，避免内存溢出。
使用缓存机制处理重复数据。
Wordcloud库为Python开发者提供了强大而灵活的词云生成能力。从简单的英文词云到复杂的中文形状定制，从基础参数调整到专业级视觉效果，我们已经覆盖了完整的应用链条。掌握词云技术不仅能提升数据可视化能力，更重要的是为文本数据分析提供了直观有效的展示手段。在自媒体内容创作、市场调研分析、用户反馈统计等场景中，词云都能发挥重要作用。返回搜狐，查看更多