简介这是一份面向文本挖掘与数据可视化初学者及中级 Python 用户的词云实践教程以单个 PDF 文档承载 7 个循序渐进的案例帮助读者从最简调用过渡到蒙版形状、自定义配色与关键词权重提取等进阶用法。压缩包共 1 个文件为 PDF 格式大小约 2.07MB便于在电脑或平板上直接查阅。已有 108 人学习说明其内容对入门与项目应用具有一定参考价值。文档围绕 wordcloud 与 matplotlib 两个库展开先讲词云的定义、作用与生成流程再逐步拆解文本预处理、权重计算、图像展示和保存等环节每个案例均配有代码与运行结果可据此理解中文分词、停用词处理、字体路径设置及常见参数调整。读者既能掌握从读取文本到输出词云图的完整链路也能把案例改造成报告配图、社交媒体分析或教学演示素材适合作为动手实践的案头资料。1. 词云项目的真实门槛为什么七个案例比一个“Hello WordCloud”更值得看很多人对词云的第一个印象是“一行WordCloud().generate(text)就完事”真到要交作品、要在汇报里放一张图的时候才发现默认输出根本没法用中文全是方框、词语被拆得七零八落、背景一块死白、形状是个规规矩矩的矩形放在 PPT 里像是随手截的。词云在文本挖掘与可视化里属于典型的“入门容易、出效果难”真正决定成品质量的不是那一行生成代码而是字体、分词、蒙版、配色、权重这五个环节怎么串起来。这份以 wordcloud 1.9.3 与 matplotlib 3.5.3 为基础、基于 Python 3.7 与 PyCharm 环境整理的七个案例走的是从最简调用一路加到关键词权重渲染的递进路线适合正在做课程设计、需要把文本分析结果图形化交付的学生也适合要在报告里快速出一张可读性过关的关键词图的从业者。2. 环境与选型两条库链路和一份文本素材的准备工作先把地基打平后面七个案例才不会在第 3 个就卡住。词云这件事在 Python 里其实只有两条链路wordcloud 负责“算布局、画字形”matplotlib 负责“显示和交互”两者之间靠 numpy 数组传递图像。围绕这两条链路还会牵出三个配角jieba 做中文分词、PILPillow读蒙版图、numpy 把图片转成 wordcloud 认得的数组。理解这个分工后面每个案例多出来的import就都不是玄学而是明确的职责扩容。2.1 依赖清单与版本对齐原文给出的基线是 Python 3.7 wordcloud 1.9.3 matplotlib 3.5.3这个组合相对稳定不建议为了追新而把三者版本拉得过开。安装本身没有技巧关键是别只装 wordcloud 就以为万事大吉——中文案例必然要用 jieba蒙版案例必然要用 Pillow 和 numpy。# 核心两条链路 pip install wordcloud1.9.3 pip install matplotlib3.5.3 # 中文分词与蒙版读取所需的配角 pip install jieba pip install pillow numpy参数说明上只有一个点值得强调wordcloud 在部分平台上装老版本时可能走源码编译如果pip install长时间停在 building wheel通常的做法是先确认本机是否有可用的 C 编译环境或者改用与当前 Python 小版本匹配的预编译包。这不是教程的重点但它是新手第一天最容易翻车的地方先在这里排掉。文本素材上原文用了两份一份英文纯文本constitution.txt用于最简调用一份中文长文本xyj.txt以西游记为内容用于后续所有中文与蒙版案例读取时统一encodingutf-8。我一般会把这几个文件放在项目上一级目录代码里用../xyj.txt这种相对路径引用这样七个案例放在同一个工程的不同脚本里时路径不用各改一遍。2.2 中文字体的处理策略中文词云出现满屏方框原因从来不是 wordcloud 不支持中文而是默认字体里没有中文字形。wordcloud 的font_path参数就是给这件事准备的原文案例里统一指向了一个本地字体文件Hiragino.ttf。# 中文场景下 font_path 是必填项缺失即出现方块字 wc WordCloud( font_path../Hiragino.ttf, # 指向本机存在的中文字体文件 width800, # 画布宽度像素 height600, # 画布高度像素 modeRGBA, # 带透明通道便于叠加背景 background_colorNone # 透明背景导出 PNG 后可直接贴 PPT )这里每个参数都有明确用途不是凑数font_path解决字形width/height决定分辨率800×600 是汇报场景够用的下限要放大到海报级别就得往上调modeRGBA配合background_colorNone得到的是透明底图这一组搭配是“图能直接放进深色或彩色背景版式”的关键。很多人只改字体不改背景结果导出的图带着一块白底往深色模板上一贴就露出一个方块这种细节在答辩现场特别扎眼。提示font_path请指向本机上真实存在的字体文件路径不同操作系统的字体目录不同写死一个绝对路径换台机器就跑不起来相对路径 随项目携带字体文件是更稳的做法。3. 从最简调用到中文分词前三个案例解决“能不能出图”前三个案例是一条清晰的爬坡线先确认库能跑通再暴露中文的字体问题最后用分词把中文词云的质量拉起来。这条线值得按顺序走一遍因为跳过第一步直接写分词版本一旦报错就很难判断是环境问题还是逻辑问题。3.1 案例一最简调用的五步骨架最简版本只有五步但它是后面所有案例的骨架值得拆开看每一行的作用。# -*- coding: utf-8 -*- from wordcloud import WordCloud import matplotlib.pyplot as plt # 1. 打开文本 text open(constitution.txt).read() # 2. 生成对象默认参数英文文本无需指定字体 wc WordCloud().generate(text) # 3. 显示词云bilinear 插值让缩放后的字形边缘更柔和 plt.imshow(wc, interpolationbilinear) plt.axis(off) # 关掉坐标轴否则图边会出现刻度 plt.show() # 4. 保存到文件 wc.to_file(wordcloud.png)五步分别是读文本、建对象、渲染显示、去坐标轴、落盘。generate(text)内部做的是分词英文按空格、统计词频、按词频分配字号、然后把词一个个塞进画布塞不下的词会被丢弃——这也是为什么词云里通常不会出现文本里的全部词汇。interpolationbilinear不是装饰参数词云内部生成的是低分辨率布局再放大不加插值会出现锯齿感明显的边缘。plt.axis(off)属于必须加的一行忘了它输出图四周会带一圈坐标刻度看起来像没做完的半成品。这个案例的价值在于建立“基线认知”默认参数下英文词云是可以看的所以后面中文出问题时你能立刻判断问题出在字体而不是库坏了。3.2 案例二不分词的中文长什么样第二个案例把文本换成了中文长文本只加了字体、尺寸、透明模式三组参数故意不做分词。with open(../xyj.txt, r, encodingutf-8) as f: text f.read() wc WordCloud( font_path../Hiragino.ttf, width800, height600, modeRGBA, background_colorNone ).generate(text)这一个案例刻意保留了“错误示范”的价值中文没有空格分隔wordcloud 拿不到词边界只能按它自己的切分规则硬切结果就是词云里既有正常词语也有莫名其妙的碎片语义读起来断断续续。字体问题解决了不再有方框但可读性问题暴露了。这就是方案里“先解决字形、再解决词形”的分层思路——两类问题的现象很像都表现为“图不好看”但成因完全不同混在一起调只会来回打转。3.3 案例三jieba 分词把可读性拉回来第三个案例引入 jieba改动只有一行但效果是质变。import jieba with open(../xyj.txt, r, encodingutf-8) as f: text f.read() # jieba.cut 返回生成器用空格拼接成 wordcloud 认得的输入格式 text .join(jieba.cut(text)) print(text[:100]) # 打印前 100 字符肉眼确认分词结果是否合理 wc WordCloud(font_path../Hiragino.ttf, width800, height600, modeRGBA, background_colorNone).generate(text)jieba.cut(text)返回的是生成器而不是列表必须用 .join(...)转成空格分隔的字符串否则 wordcloud 收到的类型不对会直接报错。这一行的本质是“把中文改造成英文词云的输入格式”理解这点之后后面换成任何权重字典的形式案例七也就顺理成章了。print(text[:100])这行调试语句别嫌土它是分词环节唯一的黑匣子读数如果打出来的是“话说 唐三藏 师徒 四人 一路 西行”这类说明分词正常如果是一堆单字连缀那多半是文本编码或 jieba 词典的问题此时再怎么调 wordcloud 参数都是白调。jieba 本身支持精确模式、全模式、搜索引擎模式三种切分策略默认走精确模式做词云场景通常不需要换只有在需要更高召回率比如做关键词索引时才考虑搜索引擎模式。三个案例走完你应该已经能稳定输出一张中文可读的词云图。接下来的四个案例不再解决“能不能”而是解决“像不像、配不配、准不准”。4. 蒙版与配色三个案例把矩形图变成有设计感的成品词云的视觉上限几乎完全由蒙版和颜色决定。同样是西游记文本矩形灰字版和人物剪影彩色版在汇报里的说服力差了一个量级。这一段的三个案例是递进关系先上形状再上颜色来源最后自定义颜色规则。4.1 案例四用蒙版替换矩形画布蒙版mask本质是一张图wordcloud 会读取它的非白色区域作为可填充范围白色区域直接留空。from PIL import Image import numpy as np # 蒙版图转 numpy 数组wordcloud 只认数组形态 mask np.array(Image.open(../black_mask.png)) wc WordCloud( maskmask, # 形状来源 font_path../Hiragino.ttf, modeRGBA, background_colorNone ).generate(text)np.array(Image.open(...))这两步不能省Image.open返回的是图像对象wordcloud 要的是数组。蒙版图的选择有个经验优先用“纯白背景 纯黑主体”的图主体区域越大、边缘越干净词填充得越完整如果蒙版图本身是彩色的、带灰阶过渡填充区域会变得零碎词会散成几团。原文用的black_mask.png就属于前一类。另外加了mask之后可以不写width/height画布尺寸会跟随蒙版图尺寸走写了也会被蒙版覆盖这点容易让人误以为尺寸参数失效。4.2 案例五让颜色从蒙版图里长出来形状对了颜色还是单调的第五个案例用ImageColorGenerator从蒙版图本身提取配色。from wordcloud import WordCloud, ImageColorGenerator mask np.array(Image.open(../color_mask.png)) wc WordCloud(maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone).generate(text) # 依据蒙版图中每个词所在位置的颜色为词着色 image_colors ImageColorGenerator(mask) wc.recolor(color_funcimage_colors)ImageColorGenerator的逻辑是对每个词取它在蒙版图上占据区域的平均颜色作为该词的颜色。所以蒙版图的色彩分布直接决定了成图风格——原图色调偏暖词云就偏暖原图有分区色块词云也会跟着分区。wc.recolor()必须在generate()之后调用顺序反了不生效这是这个案例唯一容易写错的顺序问题。透明背景配modeRGBA时重着色后仍然保留透明通道导出贴到任何底色上都不会有白边。4.3 案例六自定义颜色函数的可控性从图取色省事但配色受限于原图。第六个案例换成自己写颜色函数用 HSL 色相环控制风格。import random # 颜色回调wordcloud 为每个词调用一次返回值即该词颜色 def random_color(word, font_size, position, orientation, font_path, random_state): # 色相固定 0红色系饱和度与亮度在 60%~80% 之间浮动避免过艳或过暗 s hsl(0, %d%%, %d%%) % (random.randint(60, 80), random.randint(60, 80)) return s wc WordCloud(color_funcrandom_color, maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone).generate(text)回调函数的签名是固定的六个参数即使你一个都不用也必须完整声明少一个参数 wordcloud 调用时就会抛类型错误这是自定义颜色时最常见的翻车点。原函数里那句print(s)建议保留在调试阶段能直观看到每个词拿到的颜色值确认色相范围是不是你想要的那个区间。通过调整hsl的第一个分量就能在红、蓝、绿等色系之间整体切换饱和度与亮度控制在 60–80 这个窄区间是为了让整张图的明度统一不会出现几个词特别刺眼、几个词糊在背景里的情况。三个蒙版案例连起来看其实是一条“可控性递增、便利性递减”的曲线蒙版形状解决布局取色解决风格统一自定义函数解决品牌色或主题色的精确控制。做课程设计时如果只需要一张好看的图案例五够用如果是给某个活动、某个主题做视觉案例六才有意义。5. 关键词与权重案例七为什么要放弃词频前六个案例全部基于generate(text)也就是按词频决定字号。这在长文本上问题不大但在报告、摘要、评论这类短文本上词频会严重失真虚词高频、专有名词低频出来一张图满是“我们”“这个”。第七个案例改用jieba.analyse.extract_tags提关键词和权重再走generate_from_frequencies这是整套方案里最接近“文本挖掘”而非“文本装饰”的一步。5.1 用 TF-IDF 权重喂给词云import jieba.analyse with open(../xyj.txt, r, encodingutf-8) as f: text f.read() # topK 控制取前多少个关键词withWeightTrue 返回 (词, 权重) 二元组 freq jieba.analyse.extract_tags(text, topK200, withWeightTrue) print(freq[:20]) # 先看前 20 个确认关键词质量 # 转成 {词: 权重} 字典generate_from_frequencies 只认这个结构 freq {i[0]: i[1] for i in freq} mask np.array(Image.open(../color_mask.png)) wc WordCloud(maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone ).generate_from_frequencies(freq) image_colors ImageColorGenerator(mask) wc.recolor(color_funcimage_colors) wc.to_file(main_07.png)topK200是词量与可读性的平衡点词太少蒙版填不满图和形状对不上词太多小字号词挤成一团反而看不清主次。200 这个量级在中等长度的中文文本上通常正好。extract_tags默认基于 TF-IDF它会把“在本文里频繁、但在通用语料里也频繁”的词权重压低所以虚词、常见动词会被自动降权这正是词频方案缺的那一环。freq从列表转字典这一步是必须的generate_from_frequencies接受的是{词: 数值}映射直接传二元组列表会报错。另外注意它内部不会再去分词词条长短、是否重复全靠你传进去的字典所以去重这一步也由字典天然完成。5.2 两种生成方式的取舍对比项generate(text)generate_from_frequencies(dict)输入形态原始字符串词到权重的映射字号依据词频传入的权重值是否内部分词是否依赖上游已分好适合场景长文本概览、快速出图短文本、报告、需精确控制主题词与 jieba 关系可配合分词天然与关键词提取衔接这张表可以作为选型的判断依据如果文本来源是整本书、整站评论generate足够如果是几十条反馈、一篇摘要、一段产品描述词频噪声太大就该走generate_from_frequencies。原文把这条路线放在最后一个案例顺序是对的——先让你看到默认方式的局限再给出替代路径比一上来就讲权重更容易理解为什么需要它。6. 避坑与排查五个最容易让词云项目返工的坑七个案例跑完不等于交付完成真正在答辩或评审现场出问题的往往不是这些主线代码而是下面这几类边角。每条按现象、原因、解决三层说。第一中文满屏方块。现象是图能出但文字变成一个个方框。原因是font_path没写或指向了不含中文字形的字体。解决办法是明确指定一个本机存在的中文字体文件并且用相对路径随项目一起走换机器时才不会断。这个坑在案例二就埋了跳过它直接做蒙版案例症状会一直带着。第二词云图四周带刻度线或白边。现象是导出的图看起来像半成品。原因分别是忘了plt.axis(off)以及mode与background_color没配对。解决办法是把这两行固定成模板的一部分显示前关轴生成时给modeRGBA加background_colorNone。第三蒙版填不满、词全挤在角落。现象是形状有了但只填充了一小块。原因是蒙版图的白色区域判定不干净或者蒙版带灰阶导致可填充区域被切碎。解决办法是换一张纯白底、纯黑主体的二值化蒙版图必要时先用图像工具把背景刷成纯白。这个坑很隐蔽因为代码没有任何报错纯靠看图判断。第四recolor写了但颜色没变。现象是调用了重着色输出还是默认配色。原因是调用顺序错了recolor必须在generate或generate_from_frequencies之后。解决办法是记牢“先生成后着色”这条顺序。第五自定义颜色函数一跑就报参数错误。现象是TypeError。原因是回调函数只写了实际用到的参数而 wordcloud 是按固定六参数签名调用的。解决办法是老老实实写全word, font_size, position, orientation, font_path, random_state用不到的放着即可。注意调试词云时始终先print一段文本或前 20 个关键词确认上游数据是干净的。图不好看的九成原因在分词和权重不在画图参数。7. 验收与答辩用一张检查表和一次复现把方案交出去词云项目的验收不该只停在“图出来了”。我在带这类作品时习惯用一张固定的检查表过一遍逐项打勾缺一项就回去补这样能避免答辩现场被问到“为什么这个词这么大”“这个字怎么是方块”时答不上来。检查项合格标准对应案例中文显示无方框、无乱码案例二、三分词质量打印前 100 字符词语边界清晰案例三背景处理RGBA 透明底贴任意底色无白边案例二起形状匹配蒙版填充率目视达七成以上案例四配色统一明度区间收敛无刺眼单词案例五、六关键词质量前 20 个关键词无虚词、无单字碎片案例七可复现性换机后按依赖清单重装即可跑通全流程检查表之外答辩还有一个高频动作现场改参数看结果。评审常问的是“如果文本换成一段短评论会怎样”“字号范围能不能调”。这时候你要能立刻说出改哪里——topK控制词量max_font_size与min_font_size控制字号区间max_words控制总词数stopwords控制屏蔽词。把这几个参数和对应效果背下来比背代码有用得多。原文没有展开这几个参数但它们属于这个项目场景下必然会被问到的部分通常的做法是把它们写进代码注释里作为参数速查。还有一个容易被忽略的验收点复现性。把你的工程目录、字体文件、蒙版图、文本素材、依赖清单一起打包然后在另一个干净环境里从头跑一遍。这一步是血泪经验——本地能跑不代表交出去能跑最常见的是路径写成了绝对路径、字体文件忘了打包。我一般会在 README 里写死三行Python 版本、两条核心库版本、运行时需要存在的素材文件名评审照着装就行省掉一轮来回沟通。从那以后我每次做完这类可视化项目都会强制走一遍“换环境复现 检查表逐项过”的流程哪怕时间紧也绝不跳。图好看是一时的能被别人稳定跑出来才是这份方案真正的交付价值。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/28 14:46:21 · 阅读 1.2k Python词云实战：中文分词、蒙版配色与关键词权重
简介这是一份面向文本挖掘与数据可视化初学者及中级 Python 用户的词云实践教程以单个 PDF 文档承载 7 个循序渐进的案例帮助读者从最简调用过渡到蒙版形状、自定义配色与关键词权重提取等进阶用法。压缩包共 1 个文件为 PDF 格式大小约 2.07MB便于在电脑或平板上直接查阅。已有 108 人学习说明其内容对入门与项目应用具有一定参考价值。文档围绕 wordcloud 与 matplotlib 两个库展开先讲词云的定义、作用与生成流程再逐步拆解文本预处理、权重计算、图像展示和保存等环节每个案例均配有代码与运行结果可据此理解中文分词、停用词处理、字体路径设置及常见参数调整。读者既能掌握从读取文本到输出词云图的完整链路也能把案例改造成报告配图、社交媒体分析或教学演示素材适合作为动手实践的案头资料。1. 词云项目的真实门槛为什么七个案例比一个“Hello WordCloud”更值得看很多人对词云的第一个印象是“一行WordCloud().generate(text)就完事”真到要交作品、要在汇报里放一张图的时候才发现默认输出根本没法用中文全是方框、词语被拆得七零八落、背景一块死白、形状是个规规矩矩的矩形放在 PPT 里像是随手截的。词云在文本挖掘与可视化里属于典型的“入门容易、出效果难”真正决定成品质量的不是那一行生成代码而是字体、分词、蒙版、配色、权重这五个环节怎么串起来。这份以 wordcloud 1.9.3 与 matplotlib 3.5.3 为基础、基于 Python 3.7 与 PyCharm 环境整理的七个案例走的是从最简调用一路加到关键词权重渲染的递进路线适合正在做课程设计、需要把文本分析结果图形化交付的学生也适合要在报告里快速出一张可读性过关的关键词图的从业者。2. 环境与选型两条库链路和一份文本素材的准备工作先把地基打平后面七个案例才不会在第 3 个就卡住。词云这件事在 Python 里其实只有两条链路wordcloud 负责“算布局、画字形”matplotlib 负责“显示和交互”两者之间靠 numpy 数组传递图像。围绕这两条链路还会牵出三个配角jieba 做中文分词、PILPillow读蒙版图、numpy 把图片转成 wordcloud 认得的数组。理解这个分工后面每个案例多出来的import就都不是玄学而是明确的职责扩容。2.1 依赖清单与版本对齐原文给出的基线是 Python 3.7 wordcloud 1.9.3 matplotlib 3.5.3这个组合相对稳定不建议为了追新而把三者版本拉得过开。安装本身没有技巧关键是别只装 wordcloud 就以为万事大吉——中文案例必然要用 jieba蒙版案例必然要用 Pillow 和 numpy。# 核心两条链路 pip install wordcloud1.9.3 pip install matplotlib3.5.3 # 中文分词与蒙版读取所需的配角 pip install jieba pip install pillow numpy参数说明上只有一个点值得强调wordcloud 在部分平台上装老版本时可能走源码编译如果pip install长时间停在 building wheel通常的做法是先确认本机是否有可用的 C 编译环境或者改用与当前 Python 小版本匹配的预编译包。这不是教程的重点但它是新手第一天最容易翻车的地方先在这里排掉。文本素材上原文用了两份一份英文纯文本constitution.txt用于最简调用一份中文长文本xyj.txt以西游记为内容用于后续所有中文与蒙版案例读取时统一encodingutf-8。我一般会把这几个文件放在项目上一级目录代码里用../xyj.txt这种相对路径引用这样七个案例放在同一个工程的不同脚本里时路径不用各改一遍。2.2 中文字体的处理策略中文词云出现满屏方框原因从来不是 wordcloud 不支持中文而是默认字体里没有中文字形。wordcloud 的font_path参数就是给这件事准备的原文案例里统一指向了一个本地字体文件Hiragino.ttf。# 中文场景下 font_path 是必填项缺失即出现方块字 wc WordCloud( font_path../Hiragino.ttf, # 指向本机存在的中文字体文件 width800, # 画布宽度像素 height600, # 画布高度像素 modeRGBA, # 带透明通道便于叠加背景 background_colorNone # 透明背景导出 PNG 后可直接贴 PPT )这里每个参数都有明确用途不是凑数font_path解决字形width/height决定分辨率800×600 是汇报场景够用的下限要放大到海报级别就得往上调modeRGBA配合background_colorNone得到的是透明底图这一组搭配是“图能直接放进深色或彩色背景版式”的关键。很多人只改字体不改背景结果导出的图带着一块白底往深色模板上一贴就露出一个方块这种细节在答辩现场特别扎眼。提示font_path请指向本机上真实存在的字体文件路径不同操作系统的字体目录不同写死一个绝对路径换台机器就跑不起来相对路径 随项目携带字体文件是更稳的做法。3. 从最简调用到中文分词前三个案例解决“能不能出图”前三个案例是一条清晰的爬坡线先确认库能跑通再暴露中文的字体问题最后用分词把中文词云的质量拉起来。这条线值得按顺序走一遍因为跳过第一步直接写分词版本一旦报错就很难判断是环境问题还是逻辑问题。3.1 案例一最简调用的五步骨架最简版本只有五步但它是后面所有案例的骨架值得拆开看每一行的作用。# -*- coding: utf-8 -*- from wordcloud import WordCloud import matplotlib.pyplot as plt # 1. 打开文本 text open(constitution.txt).read() # 2. 生成对象默认参数英文文本无需指定字体 wc WordCloud().generate(text) # 3. 显示词云bilinear 插值让缩放后的字形边缘更柔和 plt.imshow(wc, interpolationbilinear) plt.axis(off) # 关掉坐标轴否则图边会出现刻度 plt.show() # 4. 保存到文件 wc.to_file(wordcloud.png)五步分别是读文本、建对象、渲染显示、去坐标轴、落盘。generate(text)内部做的是分词英文按空格、统计词频、按词频分配字号、然后把词一个个塞进画布塞不下的词会被丢弃——这也是为什么词云里通常不会出现文本里的全部词汇。interpolationbilinear不是装饰参数词云内部生成的是低分辨率布局再放大不加插值会出现锯齿感明显的边缘。plt.axis(off)属于必须加的一行忘了它输出图四周会带一圈坐标刻度看起来像没做完的半成品。这个案例的价值在于建立“基线认知”默认参数下英文词云是可以看的所以后面中文出问题时你能立刻判断问题出在字体而不是库坏了。3.2 案例二不分词的中文长什么样第二个案例把文本换成了中文长文本只加了字体、尺寸、透明模式三组参数故意不做分词。with open(../xyj.txt, r, encodingutf-8) as f: text f.read() wc WordCloud( font_path../Hiragino.ttf, width800, height600, modeRGBA, background_colorNone ).generate(text)这一个案例刻意保留了“错误示范”的价值中文没有空格分隔wordcloud 拿不到词边界只能按它自己的切分规则硬切结果就是词云里既有正常词语也有莫名其妙的碎片语义读起来断断续续。字体问题解决了不再有方框但可读性问题暴露了。这就是方案里“先解决字形、再解决词形”的分层思路——两类问题的现象很像都表现为“图不好看”但成因完全不同混在一起调只会来回打转。3.3 案例三jieba 分词把可读性拉回来第三个案例引入 jieba改动只有一行但效果是质变。import jieba with open(../xyj.txt, r, encodingutf-8) as f: text f.read() # jieba.cut 返回生成器用空格拼接成 wordcloud 认得的输入格式 text .join(jieba.cut(text)) print(text[:100]) # 打印前 100 字符肉眼确认分词结果是否合理 wc WordCloud(font_path../Hiragino.ttf, width800, height600, modeRGBA, background_colorNone).generate(text)jieba.cut(text)返回的是生成器而不是列表必须用 .join(...)转成空格分隔的字符串否则 wordcloud 收到的类型不对会直接报错。这一行的本质是“把中文改造成英文词云的输入格式”理解这点之后后面换成任何权重字典的形式案例七也就顺理成章了。print(text[:100])这行调试语句别嫌土它是分词环节唯一的黑匣子读数如果打出来的是“话说 唐三藏 师徒 四人 一路 西行”这类说明分词正常如果是一堆单字连缀那多半是文本编码或 jieba 词典的问题此时再怎么调 wordcloud 参数都是白调。jieba 本身支持精确模式、全模式、搜索引擎模式三种切分策略默认走精确模式做词云场景通常不需要换只有在需要更高召回率比如做关键词索引时才考虑搜索引擎模式。三个案例走完你应该已经能稳定输出一张中文可读的词云图。接下来的四个案例不再解决“能不能”而是解决“像不像、配不配、准不准”。4. 蒙版与配色三个案例把矩形图变成有设计感的成品词云的视觉上限几乎完全由蒙版和颜色决定。同样是西游记文本矩形灰字版和人物剪影彩色版在汇报里的说服力差了一个量级。这一段的三个案例是递进关系先上形状再上颜色来源最后自定义颜色规则。4.1 案例四用蒙版替换矩形画布蒙版mask本质是一张图wordcloud 会读取它的非白色区域作为可填充范围白色区域直接留空。from PIL import Image import numpy as np # 蒙版图转 numpy 数组wordcloud 只认数组形态 mask np.array(Image.open(../black_mask.png)) wc WordCloud( maskmask, # 形状来源 font_path../Hiragino.ttf, modeRGBA, background_colorNone ).generate(text)np.array(Image.open(...))这两步不能省Image.open返回的是图像对象wordcloud 要的是数组。蒙版图的选择有个经验优先用“纯白背景 纯黑主体”的图主体区域越大、边缘越干净词填充得越完整如果蒙版图本身是彩色的、带灰阶过渡填充区域会变得零碎词会散成几团。原文用的black_mask.png就属于前一类。另外加了mask之后可以不写width/height画布尺寸会跟随蒙版图尺寸走写了也会被蒙版覆盖这点容易让人误以为尺寸参数失效。4.2 案例五让颜色从蒙版图里长出来形状对了颜色还是单调的第五个案例用ImageColorGenerator从蒙版图本身提取配色。from wordcloud import WordCloud, ImageColorGenerator mask np.array(Image.open(../color_mask.png)) wc WordCloud(maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone).generate(text) # 依据蒙版图中每个词所在位置的颜色为词着色 image_colors ImageColorGenerator(mask) wc.recolor(color_funcimage_colors)ImageColorGenerator的逻辑是对每个词取它在蒙版图上占据区域的平均颜色作为该词的颜色。所以蒙版图的色彩分布直接决定了成图风格——原图色调偏暖词云就偏暖原图有分区色块词云也会跟着分区。wc.recolor()必须在generate()之后调用顺序反了不生效这是这个案例唯一容易写错的顺序问题。透明背景配modeRGBA时重着色后仍然保留透明通道导出贴到任何底色上都不会有白边。4.3 案例六自定义颜色函数的可控性从图取色省事但配色受限于原图。第六个案例换成自己写颜色函数用 HSL 色相环控制风格。import random # 颜色回调wordcloud 为每个词调用一次返回值即该词颜色 def random_color(word, font_size, position, orientation, font_path, random_state): # 色相固定 0红色系饱和度与亮度在 60%~80% 之间浮动避免过艳或过暗 s hsl(0, %d%%, %d%%) % (random.randint(60, 80), random.randint(60, 80)) return s wc WordCloud(color_funcrandom_color, maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone).generate(text)回调函数的签名是固定的六个参数即使你一个都不用也必须完整声明少一个参数 wordcloud 调用时就会抛类型错误这是自定义颜色时最常见的翻车点。原函数里那句print(s)建议保留在调试阶段能直观看到每个词拿到的颜色值确认色相范围是不是你想要的那个区间。通过调整hsl的第一个分量就能在红、蓝、绿等色系之间整体切换饱和度与亮度控制在 60–80 这个窄区间是为了让整张图的明度统一不会出现几个词特别刺眼、几个词糊在背景里的情况。三个蒙版案例连起来看其实是一条“可控性递增、便利性递减”的曲线蒙版形状解决布局取色解决风格统一自定义函数解决品牌色或主题色的精确控制。做课程设计时如果只需要一张好看的图案例五够用如果是给某个活动、某个主题做视觉案例六才有意义。5. 关键词与权重案例七为什么要放弃词频前六个案例全部基于generate(text)也就是按词频决定字号。这在长文本上问题不大但在报告、摘要、评论这类短文本上词频会严重失真虚词高频、专有名词低频出来一张图满是“我们”“这个”。第七个案例改用jieba.analyse.extract_tags提关键词和权重再走generate_from_frequencies这是整套方案里最接近“文本挖掘”而非“文本装饰”的一步。5.1 用 TF-IDF 权重喂给词云import jieba.analyse with open(../xyj.txt, r, encodingutf-8) as f: text f.read() # topK 控制取前多少个关键词withWeightTrue 返回 (词, 权重) 二元组 freq jieba.analyse.extract_tags(text, topK200, withWeightTrue) print(freq[:20]) # 先看前 20 个确认关键词质量 # 转成 {词: 权重} 字典generate_from_frequencies 只认这个结构 freq {i[0]: i[1] for i in freq} mask np.array(Image.open(../color_mask.png)) wc WordCloud(maskmask, font_path../Hiragino.ttf, modeRGBA, background_colorNone ).generate_from_frequencies(freq) image_colors ImageColorGenerator(mask) wc.recolor(color_funcimage_colors) wc.to_file(main_07.png)topK200是词量与可读性的平衡点词太少蒙版填不满图和形状对不上词太多小字号词挤成一团反而看不清主次。200 这个量级在中等长度的中文文本上通常正好。extract_tags默认基于 TF-IDF它会把“在本文里频繁、但在通用语料里也频繁”的词权重压低所以虚词、常见动词会被自动降权这正是词频方案缺的那一环。freq从列表转字典这一步是必须的generate_from_frequencies接受的是{词: 数值}映射直接传二元组列表会报错。另外注意它内部不会再去分词词条长短、是否重复全靠你传进去的字典所以去重这一步也由字典天然完成。5.2 两种生成方式的取舍对比项generate(text)generate_from_frequencies(dict)输入形态原始字符串词到权重的映射字号依据词频传入的权重值是否内部分词是否依赖上游已分好适合场景长文本概览、快速出图短文本、报告、需精确控制主题词与 jieba 关系可配合分词天然与关键词提取衔接这张表可以作为选型的判断依据如果文本来源是整本书、整站评论generate足够如果是几十条反馈、一篇摘要、一段产品描述词频噪声太大就该走generate_from_frequencies。原文把这条路线放在最后一个案例顺序是对的——先让你看到默认方式的局限再给出替代路径比一上来就讲权重更容易理解为什么需要它。6. 避坑与排查五个最容易让词云项目返工的坑七个案例跑完不等于交付完成真正在答辩或评审现场出问题的往往不是这些主线代码而是下面这几类边角。每条按现象、原因、解决三层说。第一中文满屏方块。现象是图能出但文字变成一个个方框。原因是font_path没写或指向了不含中文字形的字体。解决办法是明确指定一个本机存在的中文字体文件并且用相对路径随项目一起走换机器时才不会断。这个坑在案例二就埋了跳过它直接做蒙版案例症状会一直带着。第二词云图四周带刻度线或白边。现象是导出的图看起来像半成品。原因分别是忘了plt.axis(off)以及mode与background_color没配对。解决办法是把这两行固定成模板的一部分显示前关轴生成时给modeRGBA加background_colorNone。第三蒙版填不满、词全挤在角落。现象是形状有了但只填充了一小块。原因是蒙版图的白色区域判定不干净或者蒙版带灰阶导致可填充区域被切碎。解决办法是换一张纯白底、纯黑主体的二值化蒙版图必要时先用图像工具把背景刷成纯白。这个坑很隐蔽因为代码没有任何报错纯靠看图判断。第四recolor写了但颜色没变。现象是调用了重着色输出还是默认配色。原因是调用顺序错了recolor必须在generate或generate_from_frequencies之后。解决办法是记牢“先生成后着色”这条顺序。第五自定义颜色函数一跑就报参数错误。现象是TypeError。原因是回调函数只写了实际用到的参数而 wordcloud 是按固定六参数签名调用的。解决办法是老老实实写全word, font_size, position, orientation, font_path, random_state用不到的放着即可。注意调试词云时始终先print一段文本或前 20 个关键词确认上游数据是干净的。图不好看的九成原因在分词和权重不在画图参数。7. 验收与答辩用一张检查表和一次复现把方案交出去词云项目的验收不该只停在“图出来了”。我在带这类作品时习惯用一张固定的检查表过一遍逐项打勾缺一项就回去补这样能避免答辩现场被问到“为什么这个词这么大”“这个字怎么是方块”时答不上来。检查项合格标准对应案例中文显示无方框、无乱码案例二、三分词质量打印前 100 字符词语边界清晰案例三背景处理RGBA 透明底贴任意底色无白边案例二起形状匹配蒙版填充率目视达七成以上案例四配色统一明度区间收敛无刺眼单词案例五、六关键词质量前 20 个关键词无虚词、无单字碎片案例七可复现性换机后按依赖清单重装即可跑通全流程检查表之外答辩还有一个高频动作现场改参数看结果。评审常问的是“如果文本换成一段短评论会怎样”“字号范围能不能调”。这时候你要能立刻说出改哪里——topK控制词量max_font_size与min_font_size控制字号区间max_words控制总词数stopwords控制屏蔽词。把这几个参数和对应效果背下来比背代码有用得多。原文没有展开这几个参数但它们属于这个项目场景下必然会被问到的部分通常的做法是把它们写进代码注释里作为参数速查。还有一个容易被忽略的验收点复现性。把你的工程目录、字体文件、蒙版图、文本素材、依赖清单一起打包然后在另一个干净环境里从头跑一遍。这一步是血泪经验——本地能跑不代表交出去能跑最常见的是路径写成了绝对路径、字体文件忘了打包。我一般会在 README 里写死三行Python 版本、两条核心库版本、运行时需要存在的素材文件名评审照着装就行省掉一轮来回沟通。从那以后我每次做完这类可视化项目都会强制走一遍“换环境复现 检查表逐项过”的流程哪怕时间紧也绝不跳。图好看是一时的能被别人稳定跑出来才是这份方案真正的交付价值。希望帮到你。本文还有配套的精品资源点击获取