南京音乐推荐联合社

使用python 的结巴(jieba)库进行中文分词

大数据挖掘DT数据分析 2019-06-11 14:20:04



数据挖掘入门与实战  公众号: datadw


“结巴”中文分词:做最好的 Python 中文分词组件
"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

功能参数:

  • 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

  • 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(unicode),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。

安装:

pip install jieba



  1. 例子:  

  2.   

  3. # encoding=utf-8  

  4. import jieba  

  5.   

  6. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  

  7. print("Full Mode: " + "/ ".join(seg_list))  # 全模式  

  8.   

  9. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)  

  10. print("Default Mode: " + "/ ".join(seg_list))  # 精确模式  

  11.   

  12. seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式  

  13. print(", ".join(seg_list))  

  14.   

  15. 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  

  16. print(", ".join(seg_list))  


输出:

【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】:他, 来到, 了, 网易, 杭研, 大厦    (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)
【搜索引擎模式】: 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



关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse

  •     jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

  •     sentence 为待提取的文本

  •     topK 为返回几个 TF/IDF 权重最大的关键词,默认值为 20

  •     withWeight 为是否一并返回关键词权重值,默认值为 False

  •     allowPOS 仅包括指定词性的词,默认值为空,即不筛选

  •     jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件



  1. vi extract_tags.py  

  2.   

  3. import sys  

  4. sys.path.append('../')  

  5.   

  6. import jieba  

  7. import jieba.analyse  

  8. from optparse import OptionParser  

  9.   

  10. USAGE = "usage:  python extract_tags.py [file name] -k [top k]"  

  11.   

  12. parser = OptionParser(USAGE)  

  13. parser.add_option("-k", dest="topK")  

  14. opt, args = parser.parse_args()  

  15.   

  16. if len(args) < 1:  

  17.     print(USAGE)  

  18.     sys.exit(1)  

  19. file_name = args[0]  

  20.   

  21. if opt.topK is None:  

  22.     topK = 10  

  23. else:  

  24.     topK = int(opt.topK)  

  25. content = open(file_name, 'rb').read()  

  26. tags = jieba.analyse.extract_tags(content, topK=topK)  

  27. print(",".join(tags))  


运行(需分词的文本test.txt)


  1. python extract_tags.py test.txt -k 20  


jieba开源主页:https://github.com/fxsjy/jieba


数据挖掘入门与实战

搜索添加微信公众号:datadw


教你机器学习,教你数据挖掘


长按图片,识别二维码,点关注



公众号推荐: weic2c   


数据分析入门与实战

从哪里做起学习数据分析?

如何培养数据分析的能力?



长按图片,识别二维码,点关注

Copyright © 南京音乐推荐联合社@2017