| ? ? def __init__(self, font_path=None, width=400, height=200,?
? ? ?margin=2,?
? ? ? ? ranks_only=None, prefer_horizontal=.9, mask=None, scale=1,?
? ? ? ? color_func=None, max_words=200, min_font_size=4,?
? ? ? ? stopwords=None, random_state=None,?
? ? ? ? ?background_color='black',?
? ? ? ? max_font_size=None, font_step=1, mode="RGB",?
? ? ? ? relative_scaling=.5, regexp=None, collocations=True,?
? ? ? ? colormap=None, normalize_plurals=True):
? ? ? ? if font_path is None:
? ? ? ? ? ? font_path = FONT_PATH
? ? ? ? if color_func is None and colormap is None:
? ? ? ? ? ? # we need a color map
? ? ? ? ? ? import matplotlib
? ? ? ? ? ? version = matplotlib.__version__
? ? ? ? ? ? if version[0] < "2" and version[2] < "5":
? ? ? ? ? ? ? ? colormap = "hsv"
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? colormap = "viridis"
? ? ? ? self.colormap = colormap
? ? ? ? self.collocations = collocations
? ? ? ? self.font_path = font_path
? ? ? ? self.width = width
? ? ? ? self.height = height
? ? ? ? self.margin = margin
? ? ? ? self.prefer_horizontal = prefer_horizontal
? ? ? ? self.mask = mask
? ? ? ? self.scale = scale
? ? ? ? self.color_func = color_func or colormap_color_func(colormap)
? ? ? ? self.max_words = max_words
? ? ? ? self.stopwords = stopwords if stopwords is not None else?
? ? ? ? ?STOPWORDS
? ? ? ? self.min_font_size = min_font_size
? ? ? ? self.font_step = font_step
? ? ? ? self.regexp = regexp
? ? ? ? if isinstance(random_state, int):
? ? ? ? ? ? random_state = Random(random_state)
? ? ? ? self.random_state = random_state
? ? ? ? self.background_color = background_color
? ? ? ? self.max_font_size = max_font_size
? ? ? ? self.mode = mode
? ? ? ? if relative_scaling < 0 or relative_scaling > 1:
? ? ? ? ? ? raise ValueError(
? ? ? ? ? ? ? ? "relative_scaling needs to be "
? ? ? ? ? ? ? ? "between 0 and 1, got %f." %?
? ? ? ? ? ? ? ? relative_scaling)
? ? ? ? self.relative_scaling = relative_scaling
? ? ? ? if ranks_only is not None:
? ? ? ? ? ? warnings.warn("ranks_only is deprecated and will be?
? ? ? ? ? ? ?removed as"
? ? ? ? ? ? ? ? " it had no effect. Look into relative_scaling.",?
? ? ? ? ? ? ? ? DeprecationWarning)
? ? ? ? self.normalize_plurals = normalize_plurals
? ??
? ? def fit_words(self, frequencies):
? ? ? ? """Create a word_cloud from words and frequencies. ? ? ? ? Alias to generate_from_frequencies. ? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? frequencies : dict from string to float
? ? ? ? ? ? A contains words and associated frequency. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self
? ? ? ? """
? ? ? ? return self.generate_from_frequencies(frequencies)
? ??
? ? def generate_from_frequencies(self, frequencies,?
? ? ?max_font_size=None):
? ? ? ? """Create a word_cloud from words and frequencies. Parameters ? ? ? ? ----------
? ? ? ? frequencies : dict from string to float
? ? ? ? ? ? A contains words and associated frequency. ? ? ? ? max_font_size : int
? ? ? ? ? ? Use this font-size instead of self.max_font_size ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self ? ? ? ? """
? ? ? ? # make sure frequencies are sorted and normalized
? ? ? ? frequencies = sorted(frequencies.items(), key=itemgetter(1),?
? ? ? ? ?reverse=True)
? ? ? ? if len(frequencies) <= 0:
? ? ? ? ? ? raise ValueError("We need at least 1 word to plot a word?
? ? ? ? ? ? ?cloud, "
? ? ? ? ? ? ? ? "got %d." %?
? ? ? ? ? ? ? ? len(frequencies))
? ? ? ? frequencies = frequencies[:self.max_words] # largest entry will?
? ? ? ? ?be 1
? ? ? ? max_frequency = float(frequencies[0][1])
? ? ? ? frequencies = [(word, freq / max_frequency) for?
? ? ? ? ? ? word, freq in frequencies]
? ? ? ? if self.random_state is not None:
? ? ? ? ? ? random_state = self.random_state
? ? ? ? else:
? ? ? ? ? ? random_state = Random()
? ? ? ? if self.mask is not None:
? ? ? ? ? ? mask = self.mask
? ? ? ? ? ? width = mask.shape[1]
? ? ? ? ? ? height = mask.shape[0]
? ? ? ? ? ? if mask.dtype.kind == 'f':
? ? ? ? ? ? ? ? warnings.warn("mask image should be unsigned byte?
? ? ? ? ? ? ? ? ?between 0"
? ? ? ? ? ? ? ? ? ? " and 255. Got a float array")
? ? ? ? ? ? if mask.ndim == 2:
? ? ? ? ? ? ? ? boolean_mask = mask == 255
? ? ? ? ? ? elif mask.ndim == 3: # if all channels are white, mask out
? ? ? ? ? ? ? ? :::3]255, axis=-1)
? ? ? ? else:
? ? ? ? ? ? boolean_mask = np.all(mask[ ==?
? ? ? ? ? ? ? ? raise ValueError("Got mask of invalid shape: %s" %?
? ? ? ? ? ? ? ? ? ? str(mask.shape))
? ? ? ? else:
? ? ? ? ? ? boolean_mask = None
? ? ? ? ? ? height, width = self.height, self.width
? ? ? ? occupancy = IntegralOccupancyMap(height, width,?
? ? ? ? ?boolean_mask)
? ? ? ? # create image
? ? ? ? img_grey = Image.new("L", (width, height))
? ? ? ? draw = ImageDraw.Draw(img_grey)
? ? ? ? img_array = np.asarray(img_grey)
? ? ? ? font_sizes, positions, orientations, colors = [], [], [], []
? ? ? ? last_freq = 1.
? ? ? ? if max_font_size is None:
? ? ? ? ? ? # if not provided use default font_size
? ? ? ? ? ? max_font_size = self.max_font_size
? ? ? ? if max_font_size is None:
? ? ? ? ? ? # figure out a good font size by trying to draw with
? ? ? ? ? ? # just the first two words
? ? ? ? ? ? if len(frequencies) == 1:
? ? ? ? ? ? ? ? # we only have one word. We make it big!
? ? ? ? ? ? ? ? font_size = self.height
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? self.generate_from_frequencies(dict(frequencies[:2]),?
? ? ? ? ? ? ? ? ? ? max_font_size=self.height)
? ? ? ? ? ? ? ? # find font sizes
? ? ? ? ? ? ? ? sizes = [x[1] for x in self.layout_]
? ? ? ? ? ? ? ? try:
? ? ? ? ? ? ? ? ? ? font_size = int(2 * sizes[0] * sizes[1] /?
? ? ? ? ? ? ? ? ? ? ? ? (sizes[0] + sizes[1]))
? ? ? ? ? ? ? ? # quick fix for if self.layout_ contains less than 2 values
? ? ? ? ? ? ? ? # on very small images it can be empty
? ? ? ? ? ? ? ? except IndexError:
? ? ? ? ? ? ? ? ? ? try:
? ? ? ? ? ? ? ? ? ? ? ? font_size = sizes[0]
? ? ? ? ? ? ? ? ? ? except IndexError:
? ? ? ? ? ? ? ? ? ? ? ? raise ValueError('canvas size is too small')
? ? ? ? else:
? ? ? ? ? ? font_size = max_font_size
? ? ? ? # we set self.words_ here because we called?
? ? ? ? ?generate_from_frequencies
? ? ? ? # above... hurray for good design?
? ? ? ? self.words_ = dict(frequencies)
? ? ? ? # start drawing grey image
? ? ? ? for word, freq in frequencies:
? ? ? ? ? ? # select the font size
? ? ? ? ? ? rs = self.relative_scaling
? ? ? ? ? ? if rs != 0:
? ? ? ? ? ? ? ? font_size = int(round((rs * (freq / float(last_freq)) +?
? ? ? ? ? ? ? ? ? ? ? ? ? ? (1 - rs)) * font_size))
? ? ? ? ? ? if random_state.random() < self.prefer_horizontal:
? ? ? ? ? ? ? ? orientation = None
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? orientation = Image.ROTATE_90
? ? ? ? ? ? tried_other_orientation = False
? ? ? ? ? ? while True:
? ? ? ? ? ? ? ? # try to find a position
? ? ? ? ? ? ? ? font = ImageFont.truetype(self.font_path, font_size)
? ? ? ? ? ? ? ? # transpose font optionally
? ? ? ? ? ? ? ? transposed_font = ImageFont.TransposedFont(
? ? ? ? ? ? ? ? ? ? font, orientation=orientation)
? ? ? ? ? ? ? ? # get size of resulting text
? ? ? ? ? ? ? ? box_size = draw.textsize(word, font=transposed_font)
? ? ? ? ? ? ? ? # find possible places using integral image:
? ? ? ? ? ? ? ? result = occupancy.sample_position(box_size[1] + self.
? ? ? ? ? ? ? ? ?margin,?
? ? ? ? ? ? ? ? ? ? box_size[0] + self.margin,?
? ? ? ? ? ? ? ? ? ? random_state)
? ? ? ? ? ? ? ? if result is not None or font_size < self.min_font_size:
? ? ? ? ? ? ? ? ? ? # either we found a place or font-size went too small
? ? ? ? ? ? ? ? ? ? break
? ? ? ? ? ? ? ? # if we didn't find a place, make font smaller
? ? ? ? ? ? ? ? # but first try to rotate!
? ? ? ? ? ? ? ? if not tried_other_orientation and self.prefer_horizontal <?
? ? ? ? ? ? ? ? ?1:
? ? ? ? ? ? ? ? ? ? orientation = Image.ROTATE_90 if orientation is None?
? ? ? ? ? ? ? ? ? ? ?else Image.ROTATE_90
? ? ? ? ? ? ? ? ? ? tried_other_orientation = True
? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? font_size -= self.font_step
? ? ? ? ? ? ? ? ? ? orientation = None
? ? ? ? ? ??
? ? ? ? ? ? if font_size < self.min_font_size:
? ? ? ? ? ? ? ? # we were unable to draw any more
? ? ? ? ? ? ? ? break
? ? ? ? ? ? x, y = np.array(result) + self.margin // 2
? ? ? ? ? ? # actually draw the text
? ? ? ? ? ? draw.text((y, x), word, fill="white", font=transposed_font)
? ? ? ? ? ? positions.append((x, y))
? ? ? ? ? ? orientations.append(orientation)
? ? ? ? ? ? font_sizes.append(font_size)
? ? ? ? ? ? colors.append(self.color_func(word, font_size=font_size,?
? ? ? ? ? ? ? ? ? ? position=(x, y),?
? ? ? ? ? ? ? ? ? ? orientation=orientation,?
? ? ? ? ? ? ? ? ? ? random_state=random_state,?
? ? ? ? ? ? ? ? ? ? font_path=self.font_path))
? ? ? ? ? ? # recompute integral image
? ? ? ? ? ? if self.mask is None:
? ? ? ? ? ? ? ? img_array = np.asarray(img_grey)
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? img_array = np.asarray(img_grey) + boolean_mask
? ? ? ? ? ? # recompute bottom right
? ? ? ? ? ? # the order of the cumsum's is important for speed ?!
? ? ? ? ? ? occupancy.update(img_array, x, y)
? ? ? ? ? ? last_freq = freq
? ? ? ??
? ? ? ? self.layout_ = list(zip(frequencies, font_sizes, positions,?
? ? ? ? ? ? ? ? orientations, colors))
? ? ? ? return self
? ??
? ? def process_text(self, text):
? ? ? ? """Splits a long text into words, eliminates the stopwords. ? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? text : string
? ? ? ? ? ? The text to be processed. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? words : dict (string, int)
? ? ? ? ? ? Word tokens with associated frequency. ? ? ? ? ..versionchanged:: 1.2.2
? ? ? ? ? ? Changed return type from list of tuples to dict. ? ? ? ? Notes
? ? ? ? -----
? ? ? ? There are better ways to do word tokenization, but I don't?
? ? ? ? ?want to
? ? ? ? include all those things.
? ? ? ? """
? ? ? ? stopwords = set([i.lower() for i in self.stopwords])
? ? ? ? flags = re.UNICODE if sys.version < '3' and type(text) is unicode?
? ? ? ? ?else 0
? ? ? ? regexp = self.regexp if self.regexp is not None else r"\w[\w']+"
? ? ? ? words = re.findall(regexp, text, flags)
? ? ? ? # remove stopwords
? ? ? ? words = [word for word in words if word.lower() not in?
? ? ? ? ?stopwords]
? ? ? ? # remove 's
? ? ? ? words = [word[:-2] if word.lower().endswith("'s") else word for?
? ? ? ? ? ? word in words]
? ? ? ? # remove numbers
? ? ? ? words = [word for word in words if not word.isdigit()]
? ? ? ? if self.collocations:
? ? ? ? ? ? word_counts = unigrams_and_bigrams(words, self.
? ? ? ? ? ? ?normalize_plurals)
? ? ? ? else:
? ? ? ? ? ? word_counts, _ = process_tokens(words, self.
? ? ? ? ? ? ?normalize_plurals)
? ? ? ? return word_counts
? ??
? ? def generate_from_text(self, text):
? ? ? ? """Generate wordcloud from text. ? ? ? ? The input "text" is expected to be a natural text. If you pass a?
? ? ? ? ?sorted
? ? ? ? list of words, words will appear in your output twice. To?
? ? ? ? ?remove this
? ? ? ? duplication, set ``collocations=False``. ? ? ? ? Calls process_text and generate_from_frequencies. ? ? ? ? ..versionchanged:: 1.2.2
? ? ? ? ? ? Argument of generate_from_frequencies() is not return of
? ? ? ? ? ? process_text() any more. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self
? ? ? ? """
? ? ? ? words = self.process_text(text)
? ? ? ? self.generate_from_frequencies(words)
? ? ? ? return self
? ??
? ? def generate(self, text):
? ? ? ? """Generate wordcloud from text. ? ? ? ? The input "text" is expected to be a natural text. If you pass a?
? ? ? ? ?sorted
? ? ? ? list of words, words will appear in your output twice. To?
? ? ? ? ?remove this
? ? ? ? duplication, set ``collocations=False``. ? ? ? ? Alias to generate_from_text. ? ? ? ? Calls process_text and generate_from_frequencies. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self
? ? ? ? """
? ? ? ? return self.generate_from_text(text)
? ??
? ? def _check_generated(self):
? ? ? ? """Check if ``layout_`` was computed, otherwise raise error."""
? ? ? ? if not hasattr(self, "layout_"):
? ? ? ? ? ? raise ValueError("WordCloud has not been calculated, call?
? ? ? ? ? ? ?generate"
? ? ? ? ? ? ? ? " first.")
? ??
? ? def to_image(self):
? ? ? ? self._check_generated()
? ? ? ? if self.mask is not None:
? ? ? ? ? ? width = self.mask.shape[1]
? ? ? ? ? ? height = self.mask.shape[0]
? ? ? ? else:
? ? ? ? ? ? height, width = self.height, self.width
? ? ? ? img = Image.new(self.mode, (int(width * self.scale),?
? ? ? ? ? ? ? ? int(height * self.scale)),?
? ? ? ? ? ? self.background_color)
? ? ? ? draw = ImageDraw.Draw(img)
? ? ? ? for (word, count), font_size, position, orientation, color in self.
? ? ? ? ?layout_:
? ? ? ? ? ? font = ImageFont.truetype(self.font_path,?
? ? ? ? ? ? ? ? int(font_size * self.scale))
? ? ? ? ? ? transposed_font = ImageFont.TransposedFont(
? ? ? ? ? ? ? ? font, orientation=orientation)
? ? ? ? ? ? pos = int(position[1] * self.scale), int(position[0] * self.scale)
? ? ? ? ? ? draw.text(pos, word, fill=color, font=transposed_font)
? ? ? ??
? ? ? ? return img
? ??
? ? def recolor(self, random_state=None, color_func=None,?
? ? ?colormap=None):
? ? ? ? """Recolor existing layout. ? ? ? ? Applying a new coloring is much faster than generating the?
? ? ? ? ?whole
? ? ? ? wordcloud. ? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? random_state : RandomState, int, or None, default=None
? ? ? ? ? ? If not None, a fixed random state is used. If an int is given,?
? ? ? ? ? ? ?this
? ? ? ? ? ? is used as seed for a random.Random state. ? ? ? ? color_func : function or None, default=None
? ? ? ? ? ? Function to generate new color from word count, font size,?
? ? ? ? ? ? ?position
? ? ? ? ? ? and orientation. ?If None, self.color_func is used. ? ? ? ? colormap : string or matplotlib colormap, default=None
? ? ? ? ? ? Use this colormap to generate new colors. Ignored if?
? ? ? ? ? ? ?color_func
? ? ? ? ? ? is specified. If None, self.color_func (or self.color_map) is?
? ? ? ? ? ? ?used. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self
? ? ? ? """
? ? ? ? if isinstance(random_state, int):
? ? ? ? ? ? random_state = Random(random_state)
? ? ? ? self._check_generated()
? ? ? ? if color_func is None:
? ? ? ? ? ? if colormap is None:
? ? ? ? ? ? ? ? color_func = self.color_func
? ? ? ? ? ? else:
? ? ? ? ? ? ? ? color_func = colormap_color_func(colormap)
? ? ? ? self.layout_ = [(word_freq, font_size, position, orientation,?
? ? ? ? ? ? ? ? color_func(word=word_freq[0], font_size=font_size,?
? ? ? ? ? ? ? ? ? ? position=position, orientation=orientation,?
? ? ? ? ? ? ? ? ? ? random_state=random_state,?
? ? ? ? ? ? ? ? ? ? font_path=self.font_path)) for?
? ? ? ? ? ? word_freq, font_size, position, orientation, _ in?
? ? ? ? ? ? self.layout_]
? ? ? ? return self
? ??
? ? def to_file(self, filename):
? ? ? ? """Export to image file. ? ? ? ? Parameters
? ? ? ? ----------
? ? ? ? filename : string
? ? ? ? ? ? Location to write to. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? self
? ? ? ? """
? ? ? ? img = self.to_image()
? ? ? ? img.save(filename, optimize=True)
? ? ? ? return self
? ??
? ? def to_array(self):
? ? ? ? """Convert to numpy array. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? image : nd-array size (width, height, 3)
? ? ? ? ? ? Word cloud image as numpy matrix.
? ? ? ? """
? ? ? ? return np.array(self.to_image())
? ??
? ? def __array__(self):
? ? ? ? """Convert to numpy array. ? ? ? ? Returns
? ? ? ? -------
? ? ? ? image : nd-array size (width, height, 3)
? ? ? ? ? ? Word cloud image as numpy matrix.
? ? ? ? """
? ? ? ? return self.to_array()
? ??
? ? def to_html(self):
? ? ? ? raise NotImplementedError("FIXME!!!") | ? |
