如何用R语言做词云图，以某部网络小说为例

作者：horo  R语言中文社区专栏作者

知乎ID：

https://www.zhihu.com/people/lin-jia-chuan

前言

一开始，我在学做词云图时，逛了不少论坛和博客，虽然他们都说的好像很简单的样子，但总觉得自己还是不会做（现在也是）。之所以不会主要是不知道它的原理是什么，所以这里写一下经验，避免后面的人掉坑。

安装

首先我们要知道，R语言做词云图，是用wordcloud或是wordcloud2制作的，所以要先安装好任意一个。这里先全部安装，并导入目录当中：

install.packages("wordcloud")install.packages("wordcloud2")library(wordcloud)library(wordcloud2)

wordcloud的基本输入格式如下，其他的暂时没用到先不管，需要时再百度

wordcloud(words=词向量,freq=词频向量,min.freq=n,max.words=m,random.order=TRUE/FALSE)

词向量和词频向量

先看了一下这个词向量和词频向量指什么意思，以下面的文件为例，一本相对热门的网络小说的文件，已经处理好的了。

由此可知，wordcloud最最主要需要的就是这么两个变量，一个是分好的词，一个是词的频率，wordcloud2也是如此，但是在日常中我们并没有直接分好的文件，而是一大堆混杂在一起的字符数字或是无意义的符号，所以我们要做词云图，关键是要做如下几步，一是把词给分好，第二是将文件的的词的频率计算出来，三是将无意义的符号给去除掉。拿人道至尊这部小说为例。

1、分词

第一步涉及到自然语言处理的知识，这里暂且不表，相关论文可自己去看，R里面有不少包可以用来分词，主要有Rwordseg（这个包已经不适用最新版本了，不过用的人太多了容易找到教程）还有jiebaR这个包，jiebaR这个包与jiebaRD这个包是配套的，所以请一同下载，如果出错，估计是配置环境没有弄好，如JAVA什么的，直接下载或百度即可。

我们这里主要是用jieba包进行分词的，所以输入下列程序：

install.packages("jiebaR")install.packages("jiebaRD")library(jiebaRD)library(jiebaR) 

jiebaR包里有一个叫segment的函数，它可以用来分词，主要的输入格式如下：

segment(code,jieba)

code是文件的内容，jieba是用来分词的工具，我们首先设置下分词的工具，输入：

engine = worker() 

然后把文件也写进去：

segment("人道至尊.txt",engine)

这时它就会反馈给你一个新的，已经分好的txt文件，直接将那个文件导入到R中即可。输入：

word <- scan('人道至尊.segment.2018-12-06_18_38_22.txt',sep='\n',what='',encoding="UTF-8") 

2、计算词频

导入好了之后就可以进行下一步，计算词频了，这里我直接输入：

word <- qseg[word]word <- freq(word)

然后就可以得到下列结果：

可以看到制作词云图的两个关键参数已经满足了，接下来就可以直接制作了。如下面所写的书写格式，可输入下列程序：

wordcloud(word$char,word$freq,min.freq = 1000,scale=c(8,0.5),colors=colors,random.order=F)

值得注意的是，我这里的min.freq选择了一千，指的是我只要词频大于一千的词，原因是小说的分词太多，词频设置的太少会突出不了重点，不利于之后分析。故得到了下列图：

这时我们就可以看到有一些词是没有意义的，比如说“的”，“它”，“你”等等，通常人们叫它停词，所以我们应当把这些无意义的词去掉，通常人们解决这种问题的手段，是通过手动增加停词的文件，或是引用其他人已经做好的停词文件。我这里则是直接通过Excel解决的，因为这里的停词是清晰可见的，而且数量较少，备份一下，然后手动删除，利用vlookup函数或是排序后，手动删除（条条大路通罗马,才不会告诉你我不会用停词表呢，哼）。

3、去除无意义的词

所以先将上述的词频文件word导出成excel文件，输入下列语句：

write.csv(word, file = "人道至尊分词.csv")

处理好了效果如下：

再将文件重新导入回去：

word2 <-read.csv(file = "人道至尊分词.csv")

好了，接下来可以重新制作了，因为删掉一些无意义的词，所以min.freq可以放宽一点，设置为500，输入语句如下：

wordcloud(word2$char,word2$freq,min.freq = 500,scale=c(8,0.5),colors=colors,random.order=F)

得到效果如下：

这下效果就不错了，wordcloud就先到这里，接下来介绍wordcloud2。

wordcloud2

为什么要用wordcloud2包，因为它做出来的图更好看，而且在词云图中可以看到每一个词的频率，它的基本输入格式如下。当然有更强大的参数没有列出来，详情请百度wordcloud2参数。

wordcloud2(file,color = 颜色, backgroundColor = 颜色,shape='形状')

file指的是词的文件，注意，由于wordcloud2不像wordcloud那样，可以设置最低词频，所以所有的词都会一股脑的塞进入词云之中，这样词量过大会造成词云图很难看，所以要事先做处理（这里我不是很确定，也许有可以直接设置的劳烦大神告知），我这里将词频高于300的都挑出来了，输入下列程序：

word3 <- word2[1:300,]

然后开始制作：

wordcloud2(word3,color = "random-light", backgroundColor = "grey")

得到下列结果：

我们可以选择不同的形状，如默认是‘circle’（圆形），‘cardioid’（苹果形或心形），‘star’（星形），‘diamond’（钻石），‘triangle-forward’（三角形），‘triangle’（三角形），‘pentagon’（五边形）；输入下列程序：

wordcloud2(word3,color = "random-light", backgroundColor = "grey",shape='star')

结果得：

当然看起来一般般，不过wordcloud2还可以自己选择图片去制作，比如说小鸟图片，人物图片什么的，暂且不表，可以参考原文档或直接百度。

公众号后台回复关键字即可学习

回复 爬虫             爬虫三大案例实战  
回复 Python        1小时破冰入门

回复 数据挖掘      R语言入门及数据挖掘
回复 人工智能      三个月入门人工智能
回复 数据分析师   数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法