中文分词-jieba库知识大全
Posted 大邓带你玩python
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了中文分词-jieba库知识大全相关的知识,希望对你有一定的参考价值。
jieba特性介绍
支持三种分词模式:
1、精确模式,试图将句子最精确地切开,适合文本分析;
2、全模式,把句子中所有的可以成词的词语都扫描出来, 速度非常快,但是不能解决歧义;
3、搜索引擎模式,在精确模式的基础上,对长词再次切分,提高召回率,适合用于搜索引擎分词。
分词
jieba.lcut 方法接受三个输入参数:
1、需要分词的字符串;
2、cut_all 参数用来控制是否采用全模式;
3、HMM 参数用来控制是否使用 HMM 模型。
返回generator,可for循环获得分词后的每个词
>>>seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
>>>print("Full Mode: " + "/ ".join(seg_list))
>>>我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
jieba.lcut_for_search 方法接受两个参数:
1、需要分词的字符串;
2、是否使用 HMM 模型。
3、该方法粒度比较细,适合用于搜索引擎构建倒排索引的分词,
返回generator,可for循环获得分词后的每个词
>>>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")
>>>print(", ".join(seg_list))
>>>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
载入词典
有时候为了防止jieba把我们想要的词,如“编程大师”分成了“编程”、“大师”,我们需要自定义词典,将“编程大师”存入其中,避免词语再次被切分。
用法:
jieba.load_userdict(file_name)
file_name自定义词典txt文件路径,TXT文件格式:
1、一个词占一行;
2、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。
3、file_name文件必须为 UTF-8 编码。
file_name文件形如:
创新办 3 i
云计算 5
凱特琳 nz
台中
TD-IDF关键词抽取
基于TD-IDF的关键词抽取方法
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.set_stop_words(file_name)
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
file_name为自定义语料库的路径
jieba.analyse.TFIDF(idf_path=None)
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
新建 TFIDF 实例,idf_path 为 IDF 频率文件
TextRank 算法的关键词抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))
直接使用,与TD-IDF关键词抽取的接口相同,注意默认过滤词性。
jieba.analyse.TextRank()
新建自定义 TextRank 实例
词性标注
标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
用法示例
>>> import jieba.posseg as pseg
>>> words = pseg.cut("我爱北京天安门")
>>> for word, flag in words:
... print('%s %s' % (word, flag))
...
我 r
爱 v
北京 ns
天安门 ns
请输入标题 abcdefg
并行分词
原理:将文本按行分隔后,把各行文本分配到多个 Python 进程并行分词,归并结果获得分词速度的大幅度提升。基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows
用法:
jieba.enable_parallel(4)
#开启并行分词模式,参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式
是单进程版的 3倍多
请输入标题 bcdef
Tokenize返回词语在原文的起止位置
注意,输入参数只接受 unicode
默认模式
result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限公司 start: 6 end:10
搜索模式
result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
相比打赏,我更喜欢你做知识分享者
更多内容
文本分析
数据分析
神奇的python
爬虫
请输入标题 abcdefg打赏
以上是关于中文分词-jieba库知识大全的主要内容,如果未能解决你的问题,请参考以下文章