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、PIL（Pillow）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 wordcloud==1.9.3 pip install matplotlib==3.5.3 # 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encoding='utf-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 width=800, # 画布宽度，像素 height=600, # 画布高度，像素 mode='RGBA', # 带透明通道，便于叠加背景 background_color=None # 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），mode='RGBA'配合background_color=None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, interpolation='bilinear') 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。interpolation='bilinear'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', encoding='utf-8') as f: text = f.read() wc = WordCloud( font_path='../Hiragino.ttf', width=800, height=600, mode='RGBA', background_color=None ).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', encoding='utf-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', width=800, height=600, mode='RGBA', background_color=None).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( mask=mask, # 形状来源 font_path='../Hiragino.ttf', mode='RGBA', background_color=None ).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(mask=mask, font_path='../Hiragino.ttf', mode='RGBA', background_color=None).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_func=image_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mode='RGBA'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_func=random_color, mask=mask, font_path='../Hiragino.ttf', mode='RGBA', background_color=None).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', encoding='utf-8') as f: text = f.read() # topK 控制取前多少个关键词，withWeight=True 返回 (词, 权重) 二元组 freq = jieba.analyse.extract_tags(text, topK=200, withWeight=True) 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(mask=mask, font_path='../Hiragino.ttf', mode='RGBA', background_color=None ).generate_from_frequencies(freq) image_colors = ImageColorGenerator(mask) wc.recolor(color_func=image_colors) wc.to_file('main_07.png')

topK=200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

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mode='RGBA'加background_color=None。

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