pytho机器学习入门之WordCloud的使用(词云,文字云)

简介: pytho机器学习入门之WordCloud的使用(词云,文字云)

词云(wordcloud)也叫文字云 是对文本中出现频率较高的关键词数据给予视觉差异化的展现方式,词云图突出展示高频高质的信息,也能过滤大部分低频的文本,利用词云,可以通过可视化形式凸显数据所体现的主旨,快速显示数据中各种文本信息的频率


from sklearn.datasets import load_iris
from sklearn.datasets import load_boston
import pandas as pd
import pylab
import matplotlib; matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from imageio import imread
import numpy as np
f=open(r'zhangsan.txt').read()
bgpic=imread(r'C:\Users\Admin\Desktop\test.jpg')
wdcd=WordCloud(mask=bgpic,background_color="white",scale=1.5)
wdcd=wdcd.generate(f)
plt.imshow(wdcd)
#wordcloud=WordCloud(background_color="white",width=1000,height=860,margin=2).generate(f)
#plt.imshow(wordcloud)
plt.axis("off")
plt.show()
wdcd.to_file('pic.jpg')
pylab.show()
#wordcloud.to_file('1.png')

同样可以自行设置过滤的词


效果如下

1666425008917.jpg

代码如下 测试文件可以自己编写 输入想要的字符


from sklearn.datasets import load_iris
from sklearn.datasets import load_boston
import pandas as pd
import pylab
import matplotlib; matplotlib.use('TkAgg')
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from imageio import imread
import numpy as np
f=open(r'zhangsan.txt').read()
bgpic=imread(r'C:\Users\Admin\Desktop\test.jpg')
wdcd=WordCloud(mask=bgpic,background_color="white",scale=1.5)
wdcd=wdcd.generate(f)
plt.imshow(wdcd)
#wordcloud=WordCloud(background_color="white",width=1000,height=860,margin=2).generate(f)
#plt.imshow(wordcloud)
plt.axis("off")
plt.show()
wdcd.to_file('pic.jpg')
pylab.show()
#wordcloud.to_file('1.png')
相关文章
|
1月前
|
机器学习/深度学习 数据采集 算法
深入了解机器学习:从入门到应用
【10月更文挑战第6天】深入了解机器学习:从入门到应用
|
10天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI的奥秘:机器学习入门指南
【10月更文挑战第30天】本篇文章是一份初学者友好的机器学习入门指南,旨在帮助读者理解并开始实践机器学习。我们将介绍机器学习的基本概念,包括监督学习、无监督学习和强化学习等。我们还将提供一些实用的代码示例,以帮助读者更好地理解和应用这些概念。无论你是编程新手,还是有一定经验的开发者,这篇文章都将为你提供一个清晰的机器学习入门路径。
27 2
|
17天前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
机器学习基础:使用Python和Scikit-learn入门
25 1
|
28天前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
【10月更文挑战第12天】本文介绍了如何使用Python和Scikit-learn进行机器学习的基础知识和入门实践。首先概述了机器学习的基本概念,包括监督学习、无监督学习和强化学习。接着详细讲解了Python和Scikit-learn的安装、数据处理、模型训练和评估等步骤,并提供了代码示例。通过本文,读者可以掌握机器学习的基本流程,并为深入学习打下坚实基础。
20 1
|
30天前
|
机器学习/深度学习 人工智能 算法
机器学习基础:使用Python和Scikit-learn入门
本文介绍了如何使用Python和Scikit-learn进行机器学习的基础知识和实践。首先概述了机器学习的基本概念,包括监督学习、无监督学习和强化学习。接着详细讲解了Python和Scikit-learn的安装、数据处理、模型选择与训练、模型评估及交叉验证等关键步骤。通过本文,初学者可以快速上手并掌握机器学习的基本技能。
48 2
|
1月前
|
机器学习/深度学习 人工智能 数据挖掘
机器学习基础:使用Python和Scikit-learn入门
【10月更文挑战第6天】在人工智能领域,机器学习已成为核心技术。本文指导初学者使用Python与Scikit-learn入门机器学习,涵盖基本概念、环境搭建、数据处理、模型训练及评估等环节。Python因简洁性及其生态系统成为首选语言,而Scikit-learn则提供了丰富工具,简化数据挖掘与分析流程。通过实践示例,帮助读者快速掌握基础知识,为进一步深入研究奠定坚实基础。
25 4
|
1月前
|
机器学习/深度学习 自然语言处理 前端开发
前端大模型入门:Transformer.js 和 Xenova-引领浏览器端的机器学习变革
除了调用API接口使用Transformer技术,你是否想过在浏览器中运行大模型?Xenova团队推出的Transformer.js,基于JavaScript,让开发者能在浏览器中本地加载和执行预训练模型,无需依赖服务器。该库利用WebAssembly和WebGPU技术,大幅提升性能,尤其适合隐私保护、离线应用和低延迟交互场景。无论是NLP任务还是实时文本生成,Transformer.js都提供了强大支持,成为构建浏览器AI应用的核心工具。
396 1
|
1月前
|
机器学习/深度学习 算法 API
机器学习入门(六):分类模型评估方法
机器学习入门(六):分类模型评估方法
|
1月前
|
机器学习/深度学习 算法
机器学习入门(三):K近邻算法原理 | KNN算法原理
机器学习入门(三):K近邻算法原理 | KNN算法原理
|
1月前
|
机器学习/深度学习 算法 数据挖掘
机器学习入门(二):如何构建机器学习模型,机器学习的三要素,欠拟合,过拟合
机器学习入门(二):如何构建机器学习模型,机器学习的三要素,欠拟合,过拟合

热门文章

最新文章