Bu eğitimdeki kodu çevrimiçi olarak çalıştırın ve düzenleyin
Kodu çalıştırTüm maske görselleri aynı biçime sahip değildir; bu da farklı sonuçlara yol açarak WordCloud işlevinin düzgün çalışmamasına neden olabilir. Maskenizin çalıştığından emin olmak için onu numpy dizi biçiminde inceleyelim:
wine_mask = np.array(Image.open("img/wine_mask.png"))
wine_mask
array([[0, 0, 0, ..., 0, 0, 0],
[0, 0, 0, ..., 0, 0, 0],
[0, 0, 0, ..., 0, 0, 0],
...,
[0, 0, 0, ..., 0, 0, 0],
[0, 0, 0, ..., 0, 0, 0],
[0, 0, 0, ..., 0, 0, 0]], dtype=uint8)
Maskeleme işlevlerinin çalışma biçimi, maskenin tüm beyaz kısımlarının 0 değil 255 (tamsayı türünde) olmasını gerektirir. Bu değer pikselin “yoğunluğunu” temsil eder. 255 değerleri saf beyazı, 1 değerleri ise siyahı ifade eder. Maskeniz yukarıdakiyle aynı biçimdeyse, aşağıda sağlanan işlevi kullanarak maskenizi dönüştürebilirsiniz. Arka planın 0 değil de 1 veya 2 olduğu bir maskeniz varsa, işlevi maskenize uyacak şekilde ayarlayın.
Önce, 0 sayısını 255 ile değiştirmek için transform_format() işlevini kullanırsınız.
def transform_format(val):
if val == 0:
return 255
else:
return val
transform_format() işlevini uygulayın.
# Transform your mask into a new one that will work with the function:
transformed_wine_mask = np.ndarray((wine_mask.shape[0],wine_mask.shape[1]), np.int32)
for i in range(len(wine_mask)):
transformed_wine_mask[i] = list(map(transform_format, wine_mask[i]))
Artık doğru biçimde yeni bir maskeniz var. Dönüştürülmüş maskeyi yazdırmak, işlevin düzgün çalışıp çalışmadığını kontrol etmenin en iyi yoludur.
# Check the expected result of your mask
transformed_wine_mask
array([[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
...,
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255],
[255, 255, 255, ..., 255, 255, 255]])
Doğru maskeyle, seçtiğiniz şekle sahip kelime bulutunu oluşturmaya başlayabilirsiniz. WordCloud işlevinde, yukarıda oluşturduğunuz dönüştürülmüş maskeyi alan bir mask argümanı olduğunu unutmayın. contour_width ve contour_color adlarından da anlaşılacağı üzere, bulutun dış hatlarının özelliklerini ayarlamak için kullanılan argümanlardır. Elinizdeki şarap şişesi bir kırmızı şarap şişesi, bu nedenle contour rengi için firebrick iyi bir seçim gibi görünüyor. Daha fazla renk seçeneği için bu renk kodu tablosuna bakabilirsiniz.
# Create a word cloud image
wc = WordCloud(background_color="white", max_words=1000, mask=transformed_wine_mask,
stopwords=stopwords, contour_width=3, contour_color='firebrick')
# Generate a wordcloud
wc.generate(text)
# store to file
wc.to_file("img/wine.png")
# show
plt.figure(figsize=[20,10])
plt.imshow(wc, interpolation='bilinear')
plt.axis("off")
plt.show()

Voilà! Bir şarap şişesi şeklinde kelime bulutu oluşturdunuz! Şarap açıklamalarında en sık siyah kiraz, meyvemsi tatlar ve gövdeli özelliklerden bahsedildiği görülüyor. Şimdi, her ülke için yorumlara daha yakından bakalım ve her ülkenin bayrağını kullanarak kelime bulutunu çizelim. Aşağıda, birazdan oluşturacağınız bir örnek var:

Bir Renk Desenini Takip Eden Kelime Bulutu Oluşturma
En fazla şaraba sahip beş ülkenin tüm yorumlarını birleştirebilirsiniz. Bu ülkeleri bulmak için yukarıdaki ülke vs sayı grafiğine bakabilir veya yukarıda elde ettiğiniz grupla, her ülke (her grup) için gözlem sayısını bulup azalan sıralamak üzere ascending=False argümanıyla sort_values() kullanabilirsiniz.
country.size().sort_values(ascending=False).head()
country
US 54504
France 22093
Italy 19540
Spain 6645
Portugal 5691
dtype: int64
Şimdi elinizde 5 zirvedeki ülke var: ABD, Fransa, İtalya, İspanya ve Portekiz. Ülke sayısını aşağıdaki gibi head() içine istediğiniz sayıyı koyarak değiştirebilirsiniz
country.size().sort_values(ascending=False).head(10)
country
US 54504
France 22093
Italy 19540
Spain 6645
Portugal 5691
Chile 4472
Argentina 3800
Austria 3345
Australia 2329
Germany 2165
dtype: int64
Şimdilik beş ülke yeterli olacaktır.
Her ülke için tüm yorumları almak üzere " ".join(list) söz dizimini kullanarak tüm yorumları birleştirebilirsiniz; bu, listedeki tüm öğeleri boşlukla ayırarak birleştirir.
# Join all reviews of each country:
usa = " ".join(review for review in df[df["country"]=="US"].description)
fra = " ".join(review for review in df[df["country"]=="France"].description)
ita = " ".join(review for review in df[df["country"]=="Italy"].description)
spa = " ".join(review for review in df[df["country"]=="Spain"].description)
por = " ".join(review for review in df[df["country"]=="Portugal"].description)
Sonrasında, yukarıda özetlediğimiz gibi kelime bulutunu oluşturabilirsiniz. Aşağıdaki gibi, oluşturma ve üretme adımlarını tek bir adımda birleştirebilirsiniz. Renk eşlemesi, WordCloud kütüphanesindeki ImageColorGenerator işlevi kullanılarak bulutu çizmeden hemen önce yapılır.
# Generate a word cloud image
mask = np.array(Image.open("img/us.png"))
wordcloud_usa = WordCloud(stopwords=stopwords, background_color="white", mode="RGBA", max_words=1000, mask=mask).generate(usa)
# create coloring from image
image_colors = ImageColorGenerator(mask)
plt.figure(figsize=[7,7])
plt.imshow(wordcloud_usa.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
# store to file
plt.savefig("img/us_wine.png", format="png")
plt.show()

Güzel görünüyor! Şimdi Fransa'dan bir incelemeyle tekrarlayalım.
# Generate a word cloud image
mask = np.array(Image.open("img/france.png"))
wordcloud_fra = WordCloud(stopwords=stopwords, background_color="white", mode="RGBA", max_words=1000, mask=mask).generate(fra)
# create coloring from image
image_colors = ImageColorGenerator(mask)
plt.figure(figsize=[7,7])
plt.imshow(wordcloud_fra.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
# store to file
plt.savefig("img/fra_wine.png", format="png")
#plt.show()
İstediğiniz renk desenine sahip kelime bulutunu elde etmek için görseli çizdirdikten sonra kaydetmeniz gerektiğini unutmayın.

# Generate a word cloud image
mask = np.array(Image.open("img/italy.png"))
wordcloud_ita = WordCloud(stopwords=stopwords, background_color="white", max_words=1000, mask=mask).generate(ita)
# create coloring from image
image_colors = ImageColorGenerator(mask)
plt.figure(figsize=[7,7])
plt.imshow(wordcloud_ita.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
# store to file
plt.savefig("img/ita_wine.png", format="png")
#plt.show()

İtalya'yı İspanya takip ediyor:
# Generate a word cloud image
mask = np.array(Image.open("img/spain.png"))
wordcloud_spa = WordCloud(stopwords=stopwords, background_color="white", max_words=1000, mask=mask).generate(spa)
# create coloring from image
image_colors = ImageColorGenerator(mask)
plt.figure(figsize=[7,7])
plt.imshow(wordcloud_spa.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
# store to file
plt.savefig("img/spa_wine.png", format="png")
#plt.show()

Son olarak, Portekiz:
# Generate a word cloud image
mask = np.array(Image.open("img/portugal.png"))
wordcloud_por = WordCloud(stopwords=stopwords, background_color="white", max_words=1000, mask=mask).generate(por)
# create coloring from image
image_colors = ImageColorGenerator(mask)
plt.figure(figsize=[7,7])
plt.imshow(wordcloud_por.recolor(color_func=image_colors), interpolation="bilinear")
plt.axis("off")
# store to file
plt.savefig("img/por_wine.png", format="png")
#plt.show()

Maskeleri ve kelime bulutlarını karşılaştırmak için nihai sonuç aşağıdaki tabloda. Sizin favoriniz hangisi?





Kelime Bulutları Nasıl Yorumlanır
Artık birkaç kelime bulutu örneği gördük ve bunların Python'da nasıl oluşturulacağını öğrendik. Ancak bu veri görselleştirmelerinin nasıl yorumlanacağını incelemekte fayda var. Genel olarak, buluttaki her kelimenin boyutu, metindeki sıklığını veya önemini temsil eder. Genellikle, bir kelime metinde ne kadar sık görünürse, kelime bulutunda o kadar büyük görünür.
Kelime bulutlarını yorumlarken akılda tutulması gereken birkaç nokta vardır:
- Kelimelerin boyutuna dikkat edin: Belirtildiği gibi, buluttaki her kelimenin boyutu, metindeki sıklığına veya önemine karşılık gelir. Bu nedenle, daha büyük kelimeler genellikle metnin genel mesajında daha anlamlıdır.
- Örüntülere bakın: Sık birlikte görünen kelime grupları var mı? Bu, metinde önemli bir tema veya konuyu gösterebilir.
- Bağlamı göz önünde bulundurun: Unutmayın ki kelime bulutu yalnızca metinde yer alan kelimeleri temsil eder; anlamları veya nasıl kullanıldıkları hakkında bilgi vermez. Bu nedenle, metnin bağlamını ve kullanılan kelimelerin özel anlamlarını düşünmek önemlidir.
- Aykırıklara karşı dikkatli olun: Bazen bir kelime, özellikle anlamlı veya metnin genel mesajıyla ilgili olmasa bile, yalnızca sık geçtiği için kelime bulutunda çok büyük görünebilir. Bu tür aykırı değerlere dikkat edin ve en anlamlı kelimelere ve örüntülere odaklanmaya çalışın.
Genel olarak, kelime bulutu bir metindeki temel tema ve fikirleri hızlıca görselleştirmek için yararlı bir araç olabilir. Ancak, metin verilerini analiz etmek için kullanılan pek çok araçtan yalnızca biri olduğunu ve daha derin analiz ve anlayış için diğer yöntemlerle birlikte kullanılması gerektiğini unutmamak önemlidir.
Tebrikler!
Başardınız! WordCloud kütüphanesini kullanarak Python'da kelime bulutu çizmenin birkaç yolunu öğrendiniz; bu, herhangi bir metin analizinin görselleştirilmesi için faydalı olacaktır. Ayrıca bulutu herhangi bir şekle maskelemeyi ve seçtiğiniz herhangi bir rengi kullanmayı öğrendiniz. Becerilerinizi pekiştirmek isterseniz, DataCamp'in şu projesini göz önünde bulundurun: Makine Öğrenimindeki En Sıcak Konular
Doğal Dil İşleme hakkında daha fazla bilgi edinmekle ilgileniyorsanız, Python ile Doğal Dil İşleme Temelleri eğitim yolumuzu inceleyin.

Kelime Bulutu Nedir?
Çoğu zaman, farklı boyutlarda pek çok kelimeyle dolu bir bulut görmüşsünüzdür; bu boyutlar her bir kelimenin sıklığını veya önemini temsil eder. Buna Etiket Bulutu ya da kelime bulutu denir. Bu eğitimde, Python ile bir kelime bulutu oluşturmayı ve ihtiyacınıza göre özelleştirmeyi öğreneceksiniz. Bu araç, metin verilerini keşfetmek ve raporlarınızı daha canlı hale getirmek için çok kullanışlıdır.
Bu uygulamalı alıştırma ile Python'da WordCloud oluşturma pratiği yapın.
Bu eğitimde, Wine Enthusiast web sitesindeki bir şarap inceleme veri setini kullanarak şunları öğreneceğiz:
Kelime Bulutu Ne Zaman Kullanılır
Kelime bulutlarının bir metin veya veri kümesindeki yaygın kelimeleri görselleştirmek için yararlı olduğunu, ancak genellikle yalnızca temaların yüksek seviyeli bir genel görünümünü sunduğunu unutmamak önemlidir. Çubuk grafiklere benzerler, ancak çoğu zaman daha görsel olarak çekicidirler (bazen yorumlaması daha zor olsa da). Kelime bulutları özellikle şu durumlarda yardımcı olabilir:
Bununla birlikte, kelime bulutlarının kullanılan kelimeler ve ifadeler hakkında herhangi bir bağlam veya daha derin bir anlayış sunmadığını akılda tutmak gerekir. Bu nedenle, metin verilerini analiz etmek ve yorumlamak için diğer yöntemlerle birlikte kullanılmalıdırlar.
Önkoşullar
Python'da kelime bulutu oluşturmaya başlamak için aşağıdaki paketleri kurmanız gerekir:
numpykütüphanesi, çok boyutlu diziler ve matrislerle çalışmak için kullanılan en popüler ve yararlı kütüphanelerden biridir. Ayrıca veri analizi yapmak içinpandaskütüphanesiyle birlikte kullanılır.Python
osmodülü yerleşik bir kütüphanedir, dolayısıyla kurmanıza gerek yoktur. os modülüyle dosya işlemleri hakkında daha fazla okumak için bu DataCamp Python'da dosya okuma ve yazma eğitimi faydalı olacaktır.Görselleştirme için
matplotlib, bu eğitimde kullanacağınızseabornveyawordcloudgibi birçok kütüphanenin temelinde çalışan temel bir kütüphanedir.pillowkütüphanesi ise görsel okumayı sağlayan bir pakettir. Pillow, PIL - Python Imaging Library için bir sarmalayıcıdır. Kelime bulutu için maske olarak resmi okumak üzere bu kütüphaneye ihtiyaç duyacaksınız.wordcloudkurulumu biraz zahmetli olabilir. Sadece temel bir kelime bulutu çizmek istiyorsanız,pip install wordcloudveyaconda install -c conda-forge wordcloudyeterlidir. Ancak, bulutu seçtiğiniz herhangi bir şekle maskeleyebilme özelliğine sahip en son sürüm için aşağıdaki gibi farklı bir kurulum yöntemi gereklidir:Veri seti:
Bu eğitimde Kaggle'daki şarap inceleme veri seti kullanılmıştır. Bu derleme, eksik değer içermemesi (ki bunlarla uğraşmak zaman alır), çok sayıda metin (şarap yorumları), kategorik ve sayısal veri barındırması sayesinde öğrenmek için harika bir veri setidir.
Python'da Kelime Bulutu Oluşturma: Hazırlık
Gerekli kütüphaneleri kurun
Öncelikle, gerekli tüm kütüphaneleri yüklersiniz:
10'dan fazla kütüphaneniz varsa, bunları bölümlere göre (ör. temel kütüphaneler, görselleştirme, modeller vb.) düzenleyin. Kodda yorum kullanmak, kodunuzu temiz ve takip etmesi kolay hale getirecektir.
Veriyi dataframe'e yükleyin
Şimdi, pandas
read_csvkullanarak veriyi dataframe'e yükleyin.index_col=0kullanımının, satır adını (indisi) ayrı bir sütun olarak okumadığımız anlamına geldiğine dikkat edin.print()ile.format()'ı birleştirerek veri seti hakkında bazı temel bilgileri güzel bir şekilde yazdırabilirsiniz.Özellikleri karşılaştırmak için gruplar oluşturun
Bir özelliğin grupları arasında karşılaştırma yapmak için
groupby()kullanabilir ve özet istatistikler hesaplayabilirsiniz.Şarap veri setiyle, ülkeye göre gruplayabilir ve tüm ülkelerin puan ve fiyatlarına ilişkin özet istatistiklere bakabilir veya en popüler ve pahalı olanları seçebilirsiniz.
Bu, 44 ülke arasından en yüksek ortalama puana sahip ilk 5'ini seçer:
Veriyi görselleştirin
Pandas DataFrame ve Matplotlib'in plot yöntemiyle ülkeye göre şarap sayısını çizebilirsiniz. Matplotlib'e aşina değilseniz, Matplotlib eğitimimize hızlıca göz atın.
Şarap üreten 44 ülke arasında, ABD şarap inceleme veri setinde 50.000'den fazla türe sahip; bu, sıradaki Fransa'nın (şarabıyla ünlü ülke) iki katıdır. İtalya da çok sayıda kaliteli şarap üretmekte olup, incelemeye açık neredeyse 20.000 şaraba sahiptir.
Veriyi inceleyin
Şimdi, yukarıdakiyle aynı çizim tekniğini kullanarak 44 ülkenin en yüksek puanlı şaraplarına göre grafiğine göz atalım:
Avustralya, ABD, Portekiz, İtalya ve Fransa'nın hepsinde 100 puan alan şaraplar var. Dikkat ederseniz, Portekiz veri setinde üretilen şarap sayısında 5., Avustralya ise 9. sırada yer alıyor ve her iki ülkede de 8000'den az şarap türü bulunuyor.
Bugün kullandığınız veri setini tanımak için küçük bir veri keşfi yaptık. Şimdi ana yemeğe, yani kelime bulutuna geçeceksiniz.
Python'da Temel Bir Kelime Bulutu Kurulumu
Başlarken
Bir kelime bulutu, verilen metinde en sık geçen kelimeleri gösterme tekniğidir. Bize bu konuda yardımcı olacak bir Python kütüphanesi kullanabiliriz. Herhangi bir işlevi kullanmadan önce yapmak isteyebileceğiniz ilk şey, işlevin docstring'ine bakmak ve tüm zorunlu ve isteğe bağlı argümanları görmektir. Bunu yapmak için
?functionyazıp çalıştırarak tüm bilgileri alabilirsiniz.Bir WordCloud nesnesi için tek zorunlu argümanın text olduğunu, diğer tüm argümanların isteğe bağlı olduğunu görebilirsiniz.
Basit bir girdiyle başlayın
Öyleyse basit bir örnekle başlayalım: kelime bulutu için ilk gözlem açıklamasını girdi olarak kullanalım. Üç adım şunlardır:
Harika! İlk incelemenin şarabın kuru tatları ve aromaları hakkında çok şey söylediğini görebilirsiniz.
İsteğe bağlı kelime bulutu argümanlarını değiştirme
Şimdi, kelime bulutunun bazı isteğe bağlı argümanlarını, örneğin
max_font_size,max_wordvebackground_color'ı değiştirin.Burada
max_font_sizekullanmak iyi bir fikir olmayabilir gibi görünüyor. Kelime sıklıkları arasındaki farkları görmeyi zorlaştırıyor. Ancak arka planı aydınlatmak bulutun okunmasını kolaylaştırıyor.Görseli kaydetmek isterseniz, WordCloud
to_fileişlevini sağlarİçeri aktardığınızda sonuç şöyle görünecektir:
plt.imshow()içindekiinterpolation="bilinear"argümanını muhtemelen fark etmişsinizdir. Bu, görüntülenen görselin daha pürüzsüz görünmesini sağlar. Seçenekler hakkında daha fazla bilgi için, bu imshow için enterpolasyon yöntemleri eğitimi yararlı bir kaynaktır.Veriyi birleştirme
Şimdi tüm şarap yorumlarını tek bir büyük metinde birleştirip bu şaraplarda en yaygın hangi özelliklerin bulunduğunu görmek için kocaman bir bulut oluşturacaksınız.
Siyah kiraz ve gövdeli (full-bodied) özelliklerinin en çok bahsedilen nitelikler olduğu, Cabernet Sauvignon'un ise hepsinin en popüleri olduğu görülüyor. Bu, Cabernet Sauvignon'un “dünyanın en yaygın tanınan kırmızı şarap üzümü çeşitlerinden biri olduğu; Kanada'nın Okanagan Vadisi'nden Lübnan'ın Beka Vadisi'ne kadar çeşitli iklimlerde, hemen her büyük şarap üretim ülkesinde yetiştirildiği” gerçeğiyle uyumludur.[1]
Python'da kelime bulutu görselleştirmesi
Şimdi, bu kelimeleri bir kadeh (hatta bir şişe) şarabın içine dökelim!
Kelime bulutunuz için bir şekil oluşturmak üzere önce maske olacak bir PNG dosyası bulmanız gerekir. Aşağıda internette bulunan güzel bir örnek var: