如何从pandas数据框生成按词频定大小、按类别配色的一元词词云

直接按下面的步骤实现即可，核心是用generate_from_frequencies方法绑定词频权重，自定义颜色函数匹配分类色，不需要额外做冗余格式转换。

• 前置依赖安装
  先装好需要的第三方库，命令行执行：

  pip install pandas wordcloud matplotlib
  

• 实现逻辑说明
  1. 先过滤Word列，只保留不带空格的unigram（一元词）
  2. 把Word和Frequency列转成词频字典，作为词云的大小计算依据，词的显示大小完全和Frequency数值正相关
  3. 提前定义Category和颜色的映射表，写颜色匹配函数，渲染每个词的时候自动匹配对应分类的颜色
• 完整可运行代码

  import pandas as pd
  import matplotlib.pyplot as plt
  from wordcloud import WordCloud
  
  # --------------------------
  # 这里替换成你自己的DataFrame即可
  # 示例DataFrame结构和需求完全一致
  df = pd.DataFrame({
      'Word': ['code', 'test', 'run', 'error', 'debug', 'efficient', 'stable', 'fast'],
      'Frequency': [120, 98, 156, 87, 76, 102, 65, 89],
      'Category': ['noun', 'verb', 'verb', 'noun', 'verb', 'adj', 'adj', 'adj']
  })
  # --------------------------
  
  # 1. 过滤只保留unigram（一元词：不含空格的单个词）
  df_unigram = df[~df['Word'].str.contains(r'\s', na=False)].reset_index(drop=True)
  
  # 2. 定义分类和颜色的映射，可自行修改色值
  category_color_map = {
      'noun': '#2E86AB',
      'verb': '#A23B72',
      'adj': '#F18F01'
  }
  # 提前做词到分类的查找字典，提升渲染效率
  word_cat_map = dict(zip(df_unigram['Word'], df_unigram['Category']))
  
  # 3. 构造词频字典
  freq_dict = dict(zip(df_unigram['Word'], df_unigram['Frequency']))
  
  # 4. 自定义颜色匹配函数
  def match_category_color(word, **kwargs):
      cat = word_cat_map.get(word)
      return category_color_map.get(cat, '#000000') # 找不到分类默认返回黑色
  
  # 5. 生成词云
  wc = WordCloud(
      width=1000,
      height=600,
      background_color='white'
  ).generate_from_frequencies(freq_dict)
  # 绑定自定义颜色函数（仅修改颜色，不改变已生成的词大小）
  wc.recolor(color_func=match_category_color)
  
  # 6. 渲染出图
  plt.figure(figsize=(12, 8))
  plt.imshow(wc, interpolation='bilinear')
  plt.axis('off')
  plt.show()
  

小提示：如果需要处理中文内容，初始化WordCloud时必须添加font_path参数指定系统内可用的中文字体路径，否则会显示方块乱码；如果需要调整不同分类的颜色，直接修改category_color_map里的十六进制色值即可。

内容的提问来源于stack exchange，提问作者Rajendra Prasad