pip install wordcloud matplotlib jieba numpy pillow

import jiebatext = "自然语言处理是人工智能的重要分支。"words = jieba.lcut(text) #返回 listprint(words)输出：['自然语言处理', '是', '人工智能', '的', '重要', '分支', '。']

text = """人工智能是当今科技发展的核心驱动力之一。机器学习、深度学习、自然语言处理等技术正在改变我们的生活。千问、豆包等大模型是中国在人工智能领域的重要代表。"""

from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jiebaimport random# 示例中文文本text = """人工智能是当今科技发展的核心驱动力之一。机器学习、深度学习、自然语言处理等技术正在改变我们的生活。千问、豆包等大模型是中国在人工智能领域的重要代表。"""# 停用词列表，添加你想要剔除的词语stopwords = {'的', '是', '之一', '等'}# 中文分词并去除停用词words = [word for word in jieba.cut(text) if word not in stopwords]words = ' '.join(words)# 自定义灰度颜色函数def grey_color_func(word, font_size, position, orientation, random_state=None, **kwargs):    return "hsl(0, 0%%, %d%%)" % random.randint(60, 100)# 创建词云对象wc = WordCloud(    font_path='simhei.ttf', # 字体设置    width=800,    height=400,    background_color='black',  # 背景颜色设置    max_words=100,    color_func=grey_color_func,  # 使用自定义颜色函数).generate(words)# 显示词云图plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')  # 不显示坐标轴plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

colormap='Set1_r'

from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jieba# 示例中文文本text = """人工智能是当今科技发展的核心驱动力之一。机器学习、深度学习、自然语言处理等技术正在改变我们的生活。千问、豆包等大模型是中国在人工智能领域的重要代表。"""# 停用词列表，添加你想要剔除的词语stopwords = {'的', '是', '之一', '等'}# 中文分词并去除停用词words = [word for word in jieba.cut(text) if word not in stopwords]words = ' '.join(words)# 创建词云对象wc = WordCloud(    font_path='simhei.ttf',      width=800,    height=400,    background_color='white',    max_words=100,    colormap='Set1_r').generate(words)# 显示词云图plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')  plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

# 英文则无需分词，文字素材来自美联储 Minutes of the Federal Open Market Committee January 27–28, 2026from wordcloud import WordCloudimport matplotlib.pyplot as plttext = """Developments in Financial Markets and Open Market OperationsThe manager turned first to an overview of broad market developments during the intermeeting period. Respondents to the Open Market Desk Survey of Market Expectations (Desk survey) continued to see the economy as resilient and again marked up their forecasts for real gross domestic product (GDP) growth in 2026, while their expectations for headline personal consumption expenditures (PCE) inflation and the unemployment rate were little changed. Market- and survey-based policy rate expectations were likewise little changed. Market-based measures of policy rate expectations indicated one to two 25 basis point rate cuts this year, and the median modal path of the federal funds rate, as given in the Desk survey, continued to indicate expectations of two 25 basis point rate cuts this year."""wc = WordCloud(width=800,                height=400,                font_path='msyh.ttc',                  background_color='white').generate(text)plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

# 读取 Word 文档doc = Document('测试文档.docx')  # 这里改成你的 .docx 文件

stopwords = {    # 基础中文停用词    '的', '了', '在'}

from docx import Documentfrom wordcloud import WordCloudimport matplotlib.pyplot as pltimport jieba# 1. 读取 Word 文档doc = Document('测试文档.docx')  # 这里改成你的 .docx 文件# 提取所有段落文本text = '\n'.join([paragraph.text for paragraph in doc.paragraphs])# 如果文档中有表格，也可以提取表格内容for table in doc.tables:    for row in table.rows:        for cell in row.cells:            text += '\n' + cell.text# 2. 停用词列表stopwords = {    # 基础中文停用词    '的', '了', '在', '是', '我', '有', '和', '就', '不', '人', '都', '一', '一个',    '上', '也', '很', '到', '说', '要', '去', '你', '会', '着', '没有', '看', '好',    '自己', '这', '那', '里', '就是', '还是', '等', '之一', '我们', '他们', '她', '它',    '其', '之', '与', '或', '及', '而', '以', '可', '能', '将', '会', '可以', '能够',    '通过', '进行', '实现', '包括', '例如', '比如', '如', '以及', '同时', '此外',    # 标点符号与空白    '、', '，', '。', '；', '：', '？', '！', '"', "'", '“', '”', '‘', '’', '（', '）',    '【', '】', '[', ']', ' ', '\n', '\t', '\r', '·', '…', '—', '-', '——',    # 泛化名词（来自你的文档）    '技术', '系统', '领域', '问题', '方式', '方法', '过程', '结果', '能力', '应用',    '方面', '部分', '情况', '数据', '信息', '内容', '概念', '工具', '模型', '任务',    '工作', '生活', '社会', '世界', '时代', '力量', '代表', '标志', '阶段', '时期',    # 泛化动词/形容词    '改变', '使用', '处理', '分析', '学习', '训练', '生成', '提供', '做出', '带来',    '推动', '发展', '提升', '提高', '解决', '模拟', '扩展', '延伸', '涉及', '用于',    '重要', '关键', '强大', '巨大', '严峻', '深刻', '当前', '未来', '目前', '近年来',    '常见', '广泛', '可能', '潜在', '实际', '真正', '完全', '高度', '特定', '各种',    # 单字（通常无独立意义）    '中', '大', '小', '高', '低', '新', '旧', '多', '少', '全', '部', '些', '种', '类',    '所', '被', '给', '让', '使', '把', '对', '于', '由', '从', '向', '往', '当', '并'}# 3. 中文分词并去除停用词words = [word for word in jieba.cut(text) if word not in stopwords and len(word.strip()) > 0]words = ' '.join(words)# 4. 创建词云对象wc = WordCloud(    font_path='simhei.ttf',          width=800,    height=400,    background_color='white',    max_words=100,    # colormap='Set1_r').generate(words)# 5. 显示词云图plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

mask = np.array(Image.open("测试-圆.png"))  # 替换为你的图片

from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jiebaimport numpy as np  # 用于处理图片数组from PIL import Image  # 用于读取图片# 示例中文文本text = """人工智能是当今科技发展的核心驱动力之一。机器学习、深度学习、自然语言处理等技术正在改变我们的生活。千问、豆包等大模型是中国在人工智能领域的重要代表。"""# 停用词列表，添加你想要剔除的词语stopwords = {'的', '是', '之一', '等'}# 中文分词并去除停用词words = [word for word in jieba.cut(text) if word not in stopwords]words = ' '.join(words)# 读取mask图片（请替换为你的mask_image图片路径，支持jpg/png等格式）# 示例：mask_image.png 是你准备好的蒙版图片，建议使用黑白对比明显的图片try:    mask = np.array(Image.open("测试-圆.png"))  # 替换为你的图片except FileNotFoundError:    print("未找到mask图片，将使用默认矩形生成词云")    mask = None# 创建词云对象（新增mask参数）wc = WordCloud(    font_path='simhei.ttf',      width=800,    height=400,    background_color='white',    max_words=100,    colormap='tab20c',    mask=mask,  # 传入蒙版图片数组    contour_width=1,  # 可选：添加蒙版轮廓线    contour_color='black'  # 可选：轮廓线颜色).generate(words)# 显示词云图plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')  plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

from wordcloud import WordCloudimport matplotlib.pyplot as pltimport jiebaimport numpy as np  # 用于处理图片数组from PIL import Image  # 用于读取图片# 示例中文文本text = """人工智能是当今科技发展的核心驱动力之一。机器学习、深度学习、自然语言处理等技术正在改变我们的生活。千问、豆包等大模型是中国在人工智能领域的重要代表。"""# 停用词列表，添加你想要剔除的词语stopwords = {'的', '是', '之一', '等'}# 中文分词并去除停用词words = [word for word in jieba.cut(text) if word not in stopwords]words = ' '.join(words)# mask读取try:    mask = np.array(Image.open("测试-圆-1.png"))  # 替换为你的图片except FileNotFoundError:    print("未找到蒙版图片，将使用默认矩形生成词云")    mask = None# 创建词云对象（新增mask参数）wc = WordCloud(    font_path='simhei.ttf',      width=800,    height=400,    background_color='white',    max_words=100,    colormap='binary',    mask=mask,      contour_width=1,     contour_color='black'  ).generate(words)# 显示词云图plt.figure(figsize=(10, 5))plt.imshow(wc, interpolation='bilinear')plt.axis('off')  plt.show()# # 可选：保存为图片# wc.to_file("wordcloud.png")

from docx import Documentfrom wordcloud import WordCloudimport matplotlib.pyplot as pltimport jiebaimport numpy as npfrom PIL import Imageimport random# 读取 Word 文档doc = Document('测试文档.docx')text = '\n'.join([p.text for p in doc.paragraphs])for table in doc.tables:    for row in table.rows:        for cell in row.cells:            text += '\n' + cell.text# 停用词列表（同前）stopwords = {    # 基础中文停用词    '的', '了', '在', '是', '我', '有', '和', '就', '不', '人', '都', '一', '一个',    '上', '也', '很', '到', '说', '要', '去', '你', '会', '着', '没有', '看', '好',    '自己', '这', '那', '里', '就是', '还是', '等', '之一', '我们', '他们', '她', '它',    '其', '之', '与', '或', '及', '而', '以', '可', '能', '将', '会', '可以', '能够',    '通过', '进行', '实现', '包括', '例如', '比如', '如', '以及', '同时', '此外',    # 标点符号与空白    '、', '，', '。', '；', '：', '？', '！', '"', "'", '“', '”', '‘', '’', '（', '）',    '【', '】', '[', ']', ' ', '\n', '\t', '\r', '·', '…', '—', '-', '——',    # 泛化名词（来自你的文档）    '技术', '系统', '领域', '问题', '方式', '方法', '过程', '结果', '能力', '应用',    '方面', '部分', '情况', '数据', '信息', '内容', '概念', '工具', '模型', '任务',    '工作', '生活', '社会', '世界', '时代', '力量', '代表', '标志', '阶段', '时期',    # 泛化动词/形容词    '改变', '使用', '处理', '分析', '学习', '训练', '生成', '提供', '做出', '带来',    '推动', '发展', '提升', '提高', '解决', '模拟', '扩展', '延伸', '涉及', '用于',    '重要', '关键', '强大', '巨大', '严峻', '深刻', '当前', '未来', '目前', '近年来',    '常见', '广泛', '可能', '潜在', '实际', '真正', '完全', '高度', '特定', '各种',    # 单字（通常无独立意义）    '中', '大', '小', '高', '低', '新', '旧', '多', '少', '全', '部', '些', '种', '类',    '所', '被', '给', '让', '使', '把', '对', '于', '由', '从', '向', '往', '当', '并'}# 分词并过滤words = ' '.join([w for w in jieba.cut(text) if w not in stopwords and len(w.strip()) > 1])# 读取 masktry:    mask = np.array(Image.open("爱心.png"))  # 替换为你的图片路径except FileNotFoundError:    print("未找到蒙版图片，将使用默认矩形生成词云")    mask = None# 金色渐变颜色函数def golden_color_func(word, font_size, position, orientation, random_state=None, **kwargs):    return f"hsl(45, 100%, {60 + random.randint(0, 30)}%)"# 生成词云wc = WordCloud(    font_path='msyh.ttc',      width=800,    height=600,    background_color='black',    max_words=200,    color_func=golden_color_func,    mask=mask,    contour_width=1,    contour_color='gold',    min_font_size=26,  #最小字    max_font_size=250, #最大字    random_state=42).generate(words)# 显示plt.figure(figsize=(14, 9))plt.imshow(wc, interpolation='bilinear')plt.axis('off')plt.tight_layout()plt.show()# 可选：保存# wc.to_file("golden_wordcloud.png")