机器学习与数据挖掘

jieba分词

2018-02-24  本文已影响311人  领悟悟悟

参考：
Python 中文分词组件 jiaba
Python中文分词 jieba 十五分钟入门与进阶
jieba完整文档
$好玩的分词——python jieba分词模块的基本用法

支持三种分词模式：

主要功能：

1. 分词
  • jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型(是否开启HMM进行中文分词)
  • jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
  • jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
  • jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
cut(self, sentence, cut_all=False, HMM=True)  # 默认精确模式
cut_for_search(self, sentence, HMM=True) # 搜索引擎模式

    import jieba
    jieba.add_word('中国科学院')

    seg_list = jieba.cut("小明硕士毕业于中国科学院计算所，后在日本京都大学深造", cut_all=False) # 精确模式
    print(" ".join(seg_list))

    seg_list = jieba.cut("小明硕士毕业于中国科学院计算所，后在日本京都大学深造", cut_all=True) # 全模式
    print(" ".join(seg_list))

    seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造") #搜索引擎模式
    print(" ".join(seg_list))

小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 日本京都大学 深造
小 明 硕士 毕业 于 中国 中国科学院 科学 科学院 学院 计算 计算所   后 在 日本 日本京都大学 京都 京都大学 大学 深造
小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 ， 后 在 日本 京都 大学 日本京都大学 深造
note：
  全模式与搜索引擎模式下自己添加的词不起作用
2. 添加自定义词典

载入词典：

  • 用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
  • 词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
  • 词频省略时使用自动计算的能保证分出该词的词频。

官方范例：

调整词典:

  • 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
  • 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
  • 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

案例：

seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.del_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒

jieba.add_word('中出')
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.suggest_freq(('中','出'),tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中出 了 一个 叛徒
我们 中 出 了 一个 叛徒

seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

jieba.suggest_freq('一个叛徒',tune=True)
seg_list = jieba.cut("我们中出了一个叛徒", cut_all=False) 
print(" ".join(seg_list))

我们 中 出 了 一个 叛徒
我们 中 出 了 一个叛徒
3.关键词提取
基于 TF-IDF 算法的关键词抽取

import jieba.analyse

代码示例 （关键词提取）

https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径

关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径

关键词一并返回关键词权重值示例

import jieba
from jieba import analyse

text_full_path = r'C:\Users\jjj\Desktop/123.txt' #设置要分析的文本路径
text = open(text_full_path, encoding='utf-8').read()
for key in analyse.extract_tags(text,50, withWeight=True):
# 使用jieba.analyse.extract_tags()参数提取关键字,默认参数为50
    print(key)
    # 设置输出编码为utf-8不然在因为win下控制台默认中文字符集为gbk,所以会出现乱码
    # 当withWeight=True时,将会返回number类型的一个权重值(TF-IDF)
基于 TextRank 算法的关键词抽取

算法论文： TextRank: Bringing Order into Texts

基本思想:
  1. 将待抽取关键词的文本进行分词
  2. 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
  3. 计算图中节点的PageRank，注意是无向带权

使用示例:

见 test/demo.py

4. 词性获取
  • jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
  • 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
import jieba.posseg as pseg
words = pseg.cut('我爱北京天安门')
for w in words:
    print(w.word, w.flag)

我 r
爱 v
北京 ns
天安门 ns
5.并行分词

附：结巴分词词性对照表（按词性英文首字母排序）

形容词(1个一类，4个二类)
区别词(1个一类，2个二类)
连词(1个一类，1个二类)
副词(1个一类)
叹词(1个一类)
方位词(1个一类)
前缀(1个一类)
后缀(1个一类)
数词(1个一类，1个二类)
名词 (1个一类，7个二类，5个三类)

名词分为以下子类：

拟声词(1个一类)
介词(1个一类，2个二类)
量词(1个一类，2个二类)
代词(1个一类，4个二类，6个三类)
处所词(1个一类)
时间词(1个一类，1个二类)
助词(1个一类，15个二类)
动词(1个一类，9个二类)
标点符号(1个一类，16个二类)
字符串(1个一类，2个二类)
语气词(1个一类)
状态词(1个一类)
上一篇下一篇

猜你喜欢

热点阅读