爬虫之绘图matplotlib与词云(七)

1 绘制条形图

import matplotlib  # 数据可视化
from matplotlib import pyplot as plt

# 配置字体
matplotlib.rcParams["font.sans-serif"] = ["simhei"]  # 黑体
matplotlib.rcParams["font.family"] = "sans-serif"
'''
left, x轴
height, y轴
width=0.8 ,轴宽
'''
# .bar(x轴, y轴, label=u"标签名", color="颜色")
plt.bar([1], [123], label="广州", color="r")
plt.bar([2], [141], label=u"北京")
plt.bar([3], [11], label=u"上海")
plt.bar([4], [41], label=u"深圳")
plt.bar([5], [181], label=u"香港")
plt.legend()  # 绘图
# plt.show()
plt.savefig("1.jpg")  # 保存图片

2 绘制智联招聘职位岗位数量图

python
import urllib.request
import urllib.parse
import re
import matplotlib
import matplotlib.pyplot as plt  # 数据可视化

matplotlib.rcParams["font.sans-serif"] = ["simhei"]  # 配置字体
matplotlib.rcParams["font.family"] = "sans-serif"
header = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36"}

def getnumberbyname(searchname):
    searchname = {"kw": searchname}
    searchname = urllib.parse.urlencode(searchname)
    url = "http://sou.zhaopin.com/jobs/searchresult.ashx?jl=%E6%B7%B1%E5%9C%B3&" + searchname + "&p=1&isadv=0"
    print(url, '==========')
    req = urllib.request.Request(url, headers=header)
    pagesource = urllib.request.urlopen(req).read().decode('utf-8', 'ignore')
    restr = "<em>(\\d+)</em>"  # 正则表达式，（）只要括号内的数据
    regex = re.compile(restr, re.IGNORECASE)
    mylist = regex.findall(pagesource)
    return mylist[0]
# 岗位列表
pythonlist = ["python", "python 运维", "python 测试", "python 数据", "python web"]
num = 0
for pystr in pythonlist:
    num += 1
    print(pystr, eval(getnumberbyname(pystr)))
    # 绘制柱状图
    plt.bar([num], eval(getnumberbyname(pystr)), label=pystr)

plt.legend()  # 绘制
plt.show()  # 显示

3 词云

“词云”这个概念由美国西北大学新闻学副教授、新媒体专业主任里奇·戈登（Rich Gordon）提出。“词云”就是对网络文本中出现频率较高的“关键词”予以视觉上的突出，形成“关键词云层”或“关键词渲染”，从而过滤掉大量的文本信息，使浏览网页者只要一眼扫过文本就可以领略文本的主旨。

• 词频
• 分词 语句切割

python
import jieba
mystr = "小姐姐,我看你挺能睡的,睡我还不好"

wordsplitList = jieba.cut(mystr, cut_all=True) # 切割, 全部切割
print(wordsplitList) # 返回一个生成器对象
print('/'.join(wordsplitList))
wordsplitListforSearch = jieba.cut_for_search(mystr) # 按搜索方式切割
print(wordsplitListforSearch)

print('/'.join(wordsplitListforSearch))
- 制作python岗位需求词云
python
import wordcloud  导入词云
from wordcloud import STOPWORDS  # 停止词
import jieba
import numpy as np  # 科学计算
import matplotlib  # 数据可视化
from matplotlib import pyplot as plt
from PIL import Image  # 图片处理

读取文本

pythonInfo = open('pythonworkinfo.txt', 'r', encoding='utf-8', errors='ignore').read()
print(pythonInfo)

切割

pythonCut = jieba.cut(pythonInfo, cut_all=True)
pythonInfoList = ' '.join(pythonCut)  # 返回一个生成器对象
print(pythonInfoList)
backgroud = np.array(Image.open('pig.jpg'))  # 将图片格式化成RBG数组
myCloudword = wordcloud.WordCloud(font_path='simkai.ttf',  # 字体路径
                                  width=400, height=200,
                                  mask=backgroud,  # 字体颜色
                                  scale=1,  # 比例
                                  max_words=200,  # 最大字数
                                  min_font_size=4,  # 最小字体
                                  stopwords=STOPWORDS,  # 默认停止词
                                  random_state=50,  # 随机角度
                                  background_color='black',  # 背景颜色
                                  max_font_size=100  # 最大字体
                                  ).generate(pythonInfoList)
#plt.imshow(myCloudword)
#plt.show()  图片展示
plt.figimage(mywordCloud)   #绘制图片
plt.imsave('python.png',mywordCloud)  #保存图片

精简生成词云

import matplotlib.pyplot as plt
from wordcloud import WordCloud
import jieba

text_from_file_with_apath = open('pythonworkinfo.txt',encoding='utf-8',errors='ignore').read()
print(text_from_file_with_apath)
wordlist_after_jieba = jieba.cut(text_from_file_with_apath, cut_all=True)

wl_space_split = " ".join(wordlist_after_jieba)
my_wordcloud = WordCloud().generate(wl_space_split)

plt.imshow(my_wordcloud)
plt.axis("off")
plt.show()

#注:碰到utf-8的编码问题时候,可以去源码wordcloud.py文件中新增路径,前提下好中文字体库simkai.ttf
FONT_PATH = os.environ.get("FONT_PATH", os.path.join(os.path.dirname(__file__), "simkai.ttf"))
覆盖掉默认的DroidSansMono.ttf

4 Matplotlib 绘图

1 多个subplot

# subplot.py

import matplotlib.pyplot as plt
import numpy as np

data = np.arange(100, 201)
plt.subplot(2, 1, 1)
plt.plot(data)

data2 = np.arange(200, 301)
plt.subplot(2, 1, 2)
plt.plot(data2)

plt.show()

2 线形图

# plot.py
import matplotlib.pyplot as plt

plt.plot([1, 2, 3], [3, 6, 9], '-r')
plt.plot([1, 2, 3], [2, 4, 9], ':g')

plt.show()

这段代码说明如下：

1. plot函数的第一个数组是横轴的值，第二个数组是纵轴的值，所以它们一个是直线，一个是折线；
2. 最后一个参数是由两个字符构成的，分别是线条的样式和颜色。前者是红色的直线，后者是绿色的点线。

3 散点图

# scatter.py

import matplotlib.pyplot as plt
import numpy as np
N = 20
plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c='r', s=100, alpha=0.5)

plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c='g', s=200, alpha=0.5)

plt.scatter(np.random.rand(N) * 100,
            np.random.rand(N) * 100,
            c='b', s=300, alpha=0.5)
plt.show()

这段代码说明如下：

1. 这幅图包含了三组数据，每组数据都包含了20个随机坐标的位置
2. 参数c表示点的颜色，s是点的大小，alpha是透明度

4 饼状图

# pie.py
import matplotlib.pyplot as plt
import numpy as np

labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
data = np.random.rand(7) * 100

plt.pie(data, labels=labels, autopct='%1.1f%%')
plt.axis('equal')
plt.legend()

plt.show()

这段代码说明如下：

1. data是一组包含7个数据的随机数值
2. 图中的标签通过labels来指定
3. autopct指定了数值的精度格式
4. plt.axis('equal')设置了坐标轴大小一致
5. plt.legend()指明要绘制图例（见下图的右上角）

5 条形图

# bar.py

import matplotlib.pyplot as plt
import numpy as np
N = 7
x = np.arange(N)
data = np.random.randint(low=0, high=100, size=N)
colors = np.random.rand(N * 3).reshape(N, -1)
labels = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']

plt.title("Weekday Data")
plt.bar(x, data, alpha=0.8, color=colors, tick_label=labels)
plt.show()

这段代码说明如下：

1. 这幅图展示了一组包含7个随机数值的结果，每个数值是[0, 100]的随机数
2. 它们的颜色也是通过随机数生成的。np.random.rand(N * 3).reshape(N, -1)表示先生成21（N x 3）个随机数，然后将它们组装成7行，那么每行就是三个数，这对应了颜色的三个组成部分。如果不理解这行代码，请先学习一下Python 机器学习库 NumPy 教程
3. title指定了图形的标题，labels指定了标签，alpha是透明度

6 直方图

# hist.py

import matplotlib.pyplot as plt
import numpy as np

data = [np.random.randint(0, n, n) for n in [3000, 4000, 5000]]
labels = ['3K', '4K', '5K']
bins = [0, 100, 500, 1000, 2000, 3000, 4000, 5000]

plt.hist(data, bins=bins, label=labels)
plt.legend()

plt.show()

上面这段代码中，[np.random.randint(0, n, n) for n in [3000, 4000, 5000]]生成了包含了三个数组的数组，这其中：

• 第一个数组包含了3000个随机数，这些随机数的范围是 [0, 3000)
• 第二个数组包含了4000个随机数，这些随机数的范围是 [0, 4000)
• 第三个数组包含了5000个随机数，这些随机数的范围是 [0, 5000)