Word Cloudの作り方

参考）
https://qiita.com/kenmatsu4/items/9b6ac74f831443d29074
https://qiita.com/nekoumei/items/b1afca7cfb9e54303ab4

試した環境

・OS：Windows 10
・anaconda
・jupyter notebook
・python 2.7

全体の流れ

AWSのWEBサイトからセッション情報をGETして、タイトル文のみパースする。
その後日本語文を形態素解析して単語で分離し、それを入力値としてWordCloudを作成する。
最後はその結果を出力する流れ。

使うツール/ライブラリ

・WordCloud（Python用WordCloud作成ライブラリ）
https://amueller.github.io/word_cloud/generated/wordcloud.WordCloud.html

・BeautifulSoup（Python用HTML/XMLパースライブラリ）
https://www.crummy.com/software/BeautifulSoup/bs4/doc/

・MeCab（オープンソース形態素解析エンジン）
http://taku910.github.io/mecab/

・Matplotlib（可視化ライブラリ）
https://matplotlib.org/

ソース


# coding: utf-8

import urllib2
from bs4 import BeautifulSoup
from wordcloud import WordCloud
import MeCab as mc
import matplotlib.pyplot as plt
%matplotlib inline

## WEBスクレイピング + Parse ############
# アクセスURL(AWSのセッションサイト)
url = "https://www.awssummit.tokyo/tokyo_session/session/"

# html取得
html = urllib2.urlopen(url)

# BeautifulSoupで扱う
soup = BeautifulSoup(html, "html.parser")

# タイトルを取得
text = ','.join([e.string for e in soup.find_all("h3")
                  if e.string!=None and e.name not in ('script','style')])

## 形態素解析 ###########################
# 形態素解析 実行関数
def mecab_analysis(text):
    t = mc.Tagger()
    enc_text = text.encode('utf-8') 
    node = t.parseToNode(enc_text) 
    output = []
    while(node):
            word_type = node.feature.split(",")[0]
            if word_type in ["名詞"]:
                output.append(node.surface)
            node = node.next
    return output


## Word Cloud作成 #######################
# 除外キーワード規定（トレンドと関係なさげな単語を指定。適宜チューニング）
stop_words = [ u'登壇', u'再演', u'同時', u'通訳', u'AWS', u'実現', u'クラウド', \
               u'ため', u'Amazon', u'on', u'事例', u'活用',  \
               u'Tech', u'入門', u'最新', u'利用', u'サービス', u'ベストプラクティス', \
               u'パネルディスカッション', u'管理', u'紹介', u'化', u'こと', u'技術', u'株式会社']

# Word Cloud生成
wordcloud = WordCloud(background_color="white",
    font_path="msgothic.ttc",
    width=1000,height=1000, 
    max_words=200,
    min_font_size=15,
    relative_scaling=0.9,
    stopwords=set(stop_words)).generate(",".join(mecab_analysis(text)).decode('utf-8'))

# 結果出力1（Matplotlib）
plt.figure(figsize=[20,20])
plt.imshow(wordcloud,interpolation='bilinear')
plt.axis("off")

# 結果出力2（ファイル）
wordcloud.to_file("./wordcloud_sample2_title.png")

Word Cloudに入力する単語の件数を見たい場合は

from collections import Counter

list = mecab_analysis(text)
ctlist = Counter(list).most_common()

for word in ctlist:
    print str(word).decode("string-escape")

を加えると、以下のように確認できる。


('事例', 68)
('登壇', 44)
('様', 44)
('活用', 36)
('クラウド', 30)
('入門', 28)
：

はまりどころ

主に、形態素解析（MeCab）で色々はまったメモ

[1] MeCabのインストール/環境設定

anaconda navigatorからターミナルを起動してpipで入れようとしても下記のエラーに。

>pip install mecab
Collecting mecab
  Could not find a version that satisfies the requirement mecab (from versions: )
No matching distribution found for mecab


>pip install mecab-python
Collecting mecab-python
  Using cached https://files.pythonhosted.org/packages/86/e7/bfeba61fb1c5d1ddcd92bc9b9502f99f80bf71a03429a2b31218fc2d4da2/mecab-python-0.996.tar.gz
    Complete output from command python setup.py egg_info:
    Traceback (most recent call last):
      File "<string>", line 1, in <module>
      File "c:\users\optim\appdata\local\temp\pip-install-hmqt9j\mecab-python\setup.py", line 13, in <module>
        version = cmd1("mecab-config --version"),
      File "c:\users\optim\appdata\local\temp\pip-install-hmqt9j\mecab-python\setup.py", line 7, in cmd1
        return os.popen(str).readlines()[0][:-1]
    IndexError: list index out of range

    ----------------------------------------
Command "python setup.py egg_info" failed with error code 1 in c:\users\optim\appdata\local\temp\pip-install-hmqt9j\mecab-python\

色々試行錯誤し、以下の辞書データを含むインストーラ実行で成功した（気がする）
https://github.com/ikegami-yukino/mecab/releases/tag/v0.996

また、Windows側の環境変数でPathの設定も必要

例）
C:\Program Files\MeCab\bin

[2] ユーザ辞書の追加

「EC2」が ECと2で別れたり、IoTを名詞として含めなかったりしたので、ユーザ辞書を追加して補完。

参考）
http://fqz7c3.hatenablog.jp/entry/2013/07/27/193232

手順）

①C:\Program Files\MeCab\dic\ipadic\user.csv を作成

例えばこんな感じ

データサイエンティスト,-1,-1,1000,名詞,一般,*,*,*,*,データサイエンティスト,データサイエンティスト,データサイエンティスト
機械学習,-1,-1,1000,名詞,一般,*,*,*,*,機械学習,キカイガクシュウ,キカイガクシュウ
EC2,-1,-1,1000,名詞,一般,*,*,*,*,EC2,イーシーツー,イーシーツー
可視化,-1,-1,1000,名詞,一般,*,*,*,*,可視化,カシカ,カシカ
クラウド,-1,-1,1000,名詞,一般,*,*,*,*,クラウド,クラウド,クラウド
ベストプラクティス,-1,-1,1000,名詞,一般,*,*,*,*,ベストプラクティス,ベストプラクティス,ベストプラクティス
パネルディスカッション,-1,-1,1000,名詞,一般,*,*,*,*,パネルディスカッション,パネルディスカッション,パネルディスカッション
Deep Dive,-1,-1,1000,名詞,一般,*,*,*,*,Deep Dive,ディープダイブ,ディープダイブ
生産性,-1,-1,1000,名詞,一般,*,*,*,*,生産性,クラウド,クラウド
バックエンド,-1,-1,1000,名詞,一般,*,*,*,*,バックエンド,バックエンド,バックエンド
コンタクトセンター,-1,-1,1000,名詞,一般,*,*,*,*,コンタクトセンター,コンタクトセンター,コンタクトセンター
コンサル,-1,-1,1000,名詞,一般,*,*,*,*,コンサル,コンサル,コンサル
IoT,-1,-1,1000,名詞,一般,*,*,*,*,IoT,アイオーティー,アイオーティー
Alexa,-1,-1,1000,名詞,一般,*,*,*,*,Alexa,アレクサ,アレクサ
Serverless,-1,-1,1000,名詞,一般,*,*,*,*,Serverless,サーバーレス,サーバーレス
DevOps,-1,-1,1000,名詞,一般,*,*,*,*,DevOps,デブオプス,デブオプス
ワークロード,-1,-1,1000,名詞,一般,*,*,*,*,ワークロード,ワークロード,ワークロード

②コマンドプロンプトで以下実行


>cd C:\Program Files\MeCab\dic\ipadic
>mecab-dict-index -f utf-8 -t utf-8  -u user.dic user.csv

以下となればOK

reading user.csv ... 17
emitting double-array: 100% |###########################################|

done!

[3] 記号が名詞扱いに（ゴミを除去）

「【」とか記号が名詞としてカウントされてしまう問題対策

参考）
http://nymemo.com/mecab/564/

C:\Program Files\MeCab\dic\ipadic\unk.def

を以下の通り編集する。

before)

SYMBOL,1283,1283,17585,名詞,サ変接続,*,*,*,*,*

after)

SYMBOL,1283,1283,17585,記号,一般,*,*,*,*,*

最後に辞書を再読み込み

>cd C:\Program Files\MeCab\dic\ipadic
>mecab-dict-index

[4] python文字エンコード

utf-8 と string などのエンコードで出力が文字化けするケースが多い。

標準出力する際は、ケースバイケースだが以下対処で解消。

str(word).decode("string-escape")