如何遍历记录并按分组生成多个WordCloud词云图？

核心做法 #

要按Bin或Duration分组生成词云，关键是先按分组字段把对应文本（或带权重的统计结果）聚合好，再给每个分组单独生成词云。如果想用Duration来决定词的大小（比如时长越长的问题越显眼），得先统计每个分组里每个词的总时长，再用这个权重生成词云。

方法1：按Bin分组生成词云（看出现次数） #

要是只想看每个Bin里词的出现次数，直接按Bin分组，把每个组的MyTExt拼起来，再生成词云就行：

import pandas as pd
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 初始化数据
data = {'MyTExt':['MainOutage', 'MainOutage', 'Bills', 'Bills', 'Payments', 'Payments', 'Menu', 'Menu', 'Menu'],
        'Duration':[200, 200, 400, 500, 20, 40, 50, 50, 60],
        'Bin':['(23.6, 771.0]', '(23.6, 771.0]', '(23.6, 771.0]', '(23.6, 771.0]', '(771.0, 1511.0]', '(771.0, 1511.0]', '(771.0, 1511.0]', '(771.0, 1511.0]', '(771.0, 1511.0]']}
df = pd.DataFrame(data)

# 按Bin分组，把每个组的文本拼在一起
grouped_bin = df.groupby('Bin')['MyTExt'].apply(lambda x: ' '.join(x))

# 挨个分组生成词云
for bin_name, text in grouped_bin.items():
    wordcloud = WordCloud(width=800, height=400, background_color='white').generate(text)
    plt.figure(figsize=(10,5))
    plt.imshow(wordcloud)
    plt.title(f'Bin {bin_name} 的词云')
    plt.axis('off')
    plt.show()

方法2：按Bin分组生成词云（按Duration权重） #

如果希望词的大小由这个词在分组里的总Duration决定（更贴合实际业务，比如时长久的问题更重要），可以先统计每个分组里每个词的总时长，再传给词云：

# 按Bin和MyTExt分组，算每个词的总Duration
weighted_data = df.groupby(['Bin', 'MyTExt'])['Duration'].sum().unstack(fill_value=0)

# 遍历每个Bin生成带权重的词云
for bin_name, weights in weighted_data.iterrows():
    # 把统计结果转成字典，WordCloud支持直接用
    weight_dict = weights.to_dict()
    # 过滤掉权重为0的词（可选，省得占资源）
    weight_dict = {k:v for k,v in weight_dict.items() if v>0}
    
    wordcloud = WordCloud(width=800, height=400, background_color='white').generate_from_frequencies(weight_dict)
    plt.figure(figsize=(10,5))
    plt.imshow(wordcloud)
    plt.title(f'Bin {bin_name} 按时长加权的词云')
    plt.axis('off')
    plt.show()

方法3：按Duration分组生成词云 #

要是想直接按Duration分组，注意Duration是数值，直接按每个数值分的话会生成很多无意义的词云，所以建议先分箱（比如和现有Bin逻辑一致，或者自己定区间），再生成词云：

# 自定义Duration分箱（比如按100为间隔）
df['Duration_Bin'] = pd.cut(df['Duration'], bins=[0, 100, 500, 2000], labels=['(0,100]', '(100,500]', '(500,2000]'])

# 按自定义的Duration_Bin分组，用时长权重生成词云
weighted_duration = df.groupby(['Duration_Bin', 'MyTExt'])['Duration'].sum().unstack(fill_value=0)

for bin_name, weights in weighted_duration.iterrows():
    weight_dict = {k:v for k,v in weights.to_dict().items() if v>0}
    wordcloud = WordCloud(width=800, height=400, background_color='white').generate_from_frequencies(weight_dict)
    plt.figure(figsize=(10,5))
    plt.imshow(wordcloud)
    plt.title(f'Duration区间 {bin_name} 的加权词云')
    plt.axis('off')
    plt.show()

注意点 #

• 只关注出现次数的话，直接拼接文本生成词云就够了；
• 要体现业务优先级的话，用generate_from_frequencies()方法传权重字典更合适；
• 按数值字段（比如Duration）分组时，一定要先分箱，不然每个单独数值都生成词云完全没用。

内容的提问来源于stack exchange，提问作者ASH