遭遇家暴该如何保护自己？

Posted 2023-03-18

7月6日晚，湖北女诗人余秀华发微博称被家暴，被抽了上百个耳光。

当遭遇家暴时，我们可以利用网络为自己发声，让更多的人重视家暴这种行为，但是更可取的方式是报警寻求警方的帮助或者向当地妇联寻求帮助，如果对方有长期家暴的问题，最好是让对方得到应有的惩罚并且和对方离婚。

我国《家暴法》有规定：

1、情节恶劣的，处二年以下有期徒刑、拘役或者管制；2、致使被害人死亡的、重伤的，处二年以上七年以下有期徒刑。如果一方实施家庭暴力导致离婚的，无过错方有权请求损害赔偿。

很多人面对家暴而不选择报警，主要是为了面子，也为了孩子希望孩子有一个完整的家，但是往往事与愿违，你的每一次退让都会让施暴者变本加厉，甚至给孩子的心灵造成很大的创伤。

曾经有一个同事讲到小时候的经历，我听了之后眼泪都流出来了，他说小时候从记事开始，父母就会吵架，吵的严重了，还会大打出手，往往都会受伤，所以他的童年特别的不开心，慢慢的长大以后，他患上了抑郁症，后加是自己自己单过了，挣扎自救了很多年，加上心理医生的帮助才勉强好转起来的。

我个人认为作为父母，就算有矛盾，也不应该波及孩子，孩子没有义务消化你们的问题，更不能成为你们负能量的垃圾桶，看看他的故事再想想家暴，简直更惨无人道，孩子不仅可能长大有暴力倾向，更有可能做出极端的行为。

余秀华的事情一时间成了热点话题，其实关于家暴的事件已经屡见不鲜了，前段时间看过一则新闻，一个父亲殴打孩子的母亲，母亲嘴角流血，孩子因为惊慌失措，跑到警局报警，警察上门处理，带走父亲、母亲并且表示要给母亲验伤，母亲的话真的是让人无语，居然责备孩子不应该报警，还说家丑不可外扬！

从这件事看出来，有时候打老婆的行为并不好，但是很多女性呈现出来的样子也很让人生气。

有句话说的好，可怜之人必有可恨之处。

你对他一味地纵容就显得你傻，你也是有问题的。

曾经看过一个更为奇葩的新闻，一个女子因为被家暴将自己的丈夫送上法庭，丈夫最终伏法，她的丈夫曾经两度结婚，她是第三任妻子，辗转找到丈夫前妻时，发现都被家暴过，这也是让她最终将丈夫送进监狱的动力，如果她再次选择离婚，会不会有第四个受害者谁也不得而知。

每一个女性都有自己应有的权利，遇到家暴时要拿起法律的武器，不要顾及身边人的眼光，更不要盲目的用错误的方式解决，只有法律才能还给我们最公正的结果！

参考技术A

家暴。往往都发生在女性身上。有些男人有家庭暴力的。往往都把气撒在女性身上。经常对女性进行殴打。那么作为女性应该如何保护自己。

从长远看。在选择结婚的对象是。在恋爱的交往过程中就可以通过。他对一些事情的看法。以及做法。发现一些端倪。有家暴倾向的男性。不是平时一点表现都没有的。通过他的言谈举止。对某些事情的看法等等。都能发现一些问题。但往往很多女性被恋爱冲昏了头脑。没有注意这些细节。以至于结婚以后。遭受到家庭暴力。

当遭受家庭暴力时。尽量保护好自己。首先从言语上和身体上不要过多的刺激他。你越刺激他。他的家暴力度就越严重。这样女性遭受到伤害的程度也就越严重。所以一旦遭受到家暴不要刺激他。尽量妥协。从而更好的保护好自己。找准时机。脱离家暴的环境。报警，求助。或者。自己的亲属父母在身边的话。可以及时到父母家里或者亲属家里求助。总之要尽快脱离被家暴的现场。然后及时报警。保存好证据。必要的还要到医院做一个伤情鉴定。为下一步离婚打下基础。

女性如何保护好自己，不再受家暴。那就是绝对不能容忍家暴。有了第一次。就必须离婚。不要相信一切男人的甜言蜜语。很多有家暴的男人。都会及时承认错误。做各种各样的保证等等。然后隔一段时间又会再次出现家暴。因此，家庭暴力一旦出现有了第一次那肯定就有第二次。所以为了不受伤害。一旦出现第一次家庭暴力那就必须离婚远离他。绝对不要心软又给他一第二次第三次的机会。

往往很多受到家暴的女性。总觉得已经结婚了。离婚。也不好办同时还有孩子。等等。各种情况综合考虑。再加上。有家暴倾向的男人已在的道歉，求和解。或者还有很多直接来威胁。基于种种原因。没有及时离婚。而是选择了继续忍气吞声在一起生活。往往用不了多久。你就会再一次被家暴。所以一再强调。一旦被家暴以后不管任何原因。不管付出多少代价都要选择离婚。只有离婚，你才能真正脱离被家暴。

参考技术B

俗话说“男怕入错行，女怕嫁错郎”，虽然这个年代女性已经脱离了男性经济上的控制，可以做到独立自强，但先天体力上的悬殊确是无法改变的事实，这就使得家庭暴力中大多数遭受伤害的都是女性。而且关键是，很多女性在遭受家暴以后，或因为恐惧、或因为麻木、或因为面子而不愿发声，直到结果越演越烈，甚至最终酿成悲剧。

首先一点，硬碰硬当然是不提倡的。家暴男一般都是脾气暴虐，自控力比较差的一类人。这类人容易被激怒，所以一旦发现对方有被激怒的苗头，千万不能再进一步刺激，而是顺着他先平息他的怒气。任何时候都要记住“好汉不吃眼前亏”，在自控力比较差的人面前，双方力量悬殊的情况下，首先考虑的就是保护自己。

如果第一次不幸被打了，记得要立马报警，哪怕只是被打了几个巴掌，不要相信家暴男的信誓旦旦，家暴只有零次和N次的区别。即使派出所不立案，也至少会给一个报警回执或者出一份告诫书，这个首先是对家暴男的一种震慑，更是以后自己主张权利的证据。

如果真的被打得很厉害，记得一定要及时去派出所报警验伤，做笔录，去医院开诊断证明，同时自己也要拍下伤势的照片。记住，最好请别人帮你拍全身，而不是一个局部照片。很多被家暴的人在咨询我的时候，就会冷不丁发一些她们自己拍的局部细节受伤的照片，这个作为证据提交显然是有争议的，你至少要有一张全身的照片来证明受伤的确实是你。

本来这种夫妻间家暴的情况，很多派出所都选择能推就推，一方面这种事情确实太多了，不排除有些人一吵架互相打了几下就跑去报案。所以很多时候只要不是太严重就会被派出所定义为家务事，劝告几句就完了。很多女人容易被家暴男正常时候的“暖”所迷惑，殊不知，他打完你之后，表现得有多“暖”，下次的拳头就会有多重。我不完全否认家暴男在道歉的时候都是假心假意，但是这种人一旦发怒起来，就跟人格分裂一样，控制不住自己，这个是家暴男改变不了的，那个时候你在他眼里就是一个任他处置的物件。

所以有时候在网上会看到一些被爆出来的家暴视频，正常人都看不下去的，觉得怎么可以对待自己的老婆跟打一条狗一样。家暴男事后痛苦哭流涕后悔不已，我相信也有是真的，只是这个对于他们来说毫无意义，你可以把他们想象成两个分裂体，对你好的时候是一个人，打你的时候，又变成了另外一个人。

真心希望不幸碰到家庭暴力的女性，可以提早觉醒，及时止损，减少进一步伤害。婚姻法赋予夫妻双方平等自由的权利，对女性的权利更是着重保护，只是有很多女性出于各种原因，选择隐忍，放弃自己争取权利的机会。也有苦苦挣扎想摆脱家暴的，出于家庭、社会以及司法的阻力，没有办法保护自己的合法权益。

每个人的处境、认知都各不相同，但追求自由平等和幸福的权利都是一样的，唯有个人、家庭、社会和法治的共同努力，才能保障尽量多的女性被温柔以待。

参考技术C

1、报警
在遭遇家暴的时候，被施暴人应该第一时间选择报警。报警之后，警方就会到现场进行调查。被施暴人可以要求警方给自己开一张验伤单来鉴定伤情，为以后的处理保留证据。此外，还可以要求警长向施暴人出具告诫书，来遏制家庭暴力的行为发生。

2、向妇联、民政等组织求助
当遭受家庭暴力时，可向妇联、民政等组织寻求帮助，拨打12338向妇联求助。

3、保存家暴证据
常见的证据有：报警笔录、询问笔录、告诫书、伤情鉴定意见、行政处罚决定书、调解协议、病历、诊断证明、医疗费票据、检查报告、验伤报告、照片、证人证言、保证书、短信、电话录音等，被施暴人要注意保留。

4、向法院申请人身安全保护令
当事人受到家暴时或面临家暴时，都可以向法院申请人身安全保护令，申请内容包括禁止被申请人实施家暴、骚扰、跟踪、接触等措施。
法院受理申请后，72小时内作出人身安全保护令或者驳回申请，情况紧急的，应当在24小时内作出。人身安全保护令的有效期不超过6个月，自作出之日起生效。

5、向法院起诉离婚
如果家庭暴力持续发生，夫妻双方已无感情基础的话，可以向法院起诉离婚。起诉离婚，被施暴方可以向法院提供遭遇家暴的证据，并要求相应的赔偿。按照不同的情况，可索要的赔偿也不同，甚至可以让对方净身出户。

参考技术D

遇到家暴应该用以下几点保护自己：1、首先，要立马报警。

很多女性，在是否报警这个事情上，犹豫不决。这真的是大错特错。家暴只有零次和无数次，这一次，你不追究，那么，一定还有下一次，下下次。因为对方敢动手打你，他早就做过判断，你是没人给你出头的，你也不敢报警的。不要以为家暴是一时冲动，家暴者是经过理性分析的，觉得你好打才打的。

2、其次，去验伤。

这个验伤一定要仔细，有血有淤青的地方、痛的酸的地方都要验，其它有可能受影响的部位也要验，一定去好医院，找年轻的好医生验伤。年轻的医生思想比较先进，懂得尊重女性，对家暴也是持反对态度的，所以，在检查的时候，不会随意糊弄。同时，也不用怕花钱，这个钱以后是可以报销的。

3、再次，在警察局一定要态度坚决。

因为是家暴，警察基本上会当作家务事来处理的。如果你态度不坚决，那么警察是很可能和稀泥的。因为警察怕你们夫妻，事后和好了，到时候，他们警察倒成了恶人。

正因为警察不想掺和进别人的家务事，所以，你一定要让警察明白，这不是家务事，这是故意伤害，你一定要追究施暴者的责任。这样，警察就会秉公办案了。同时，你也不用怕对方报复，只要警察知道你的态度，那么，保护受害者就是他们的责任。

4、最后，无论如何，要坚决离婚。

前面已经说过，家暴不会只有一次，除非你永远逃离。有人说，夫妻没有隔夜仇，床头打架床尾和。那是小打小闹，没有伤筋动骨。当你被打得鼻青脸肿的时候，人家还当你是个妻子吗？别说他不把你当妻子了，他甚至都不把你当成一个有血有肉的人。

一个不把你当人的人，你还要和他白头到老吗？就算你有这份心，别忘了，他会家暴的，你有没有这个命陪他到老，还是个问题。所以，赶紧跑吧，能带上孩子就带上。法院不会把孩子判给家暴者的。

NLP⚠️学不会打我! 半小时学会基本操作 5⚠️ 家暴归类, 妈妈再也不同担心我被家暴啦

【NLP】⚠️学不会打我! 半小时学会基本操作 5⚠️ 家暴归类, 妈妈再也不同担心我被家暴啦

• 概述
• 数据介绍
• 词频统计
• 朴素贝叶斯
• 代码实现
• • 预处理
  • 主函数

概述

从今天开始我们将开启一段自然语言处理 (NLP) 的旅程. 自然语言处理可以让来处理, 理解, 以及运用人类的语言, 实现机器语言和人类语言之间的沟通桥梁.

数据介绍

该数据是家庭暴力的一份司法数据.分为 4 个不同类别: 报警人被老公打，报警人被老婆打，报警人被儿子打，报警人被女儿打. 今天我们就要运用我们前几次学到的知识, 来实现一个 NLP 分类问题.

词频统计

CountVectorizer是一个文本特征提取的方法. 可以帮助我们计算每种词汇在该训练文本中出现的频率, 以获得词频矩阵.

格式:

vec = CountVectorizer(
        analyzer="word",
        max_features=4000
    )

参数:

• analyzer: 对语料进行 “word” 或 “char” 分析
• max_features: 最大关键词集

方法列表	作用
fit()	拟合
transform()	返回词频统计矩阵

朴素贝叶斯

MultinomialNB多项式朴素贝叶斯, 是一种非常常见的分类方法.

公式:

P(B|A) = P(B)*P(A|B)/P(A)

例子:

假设北京冬天堵车的概率是 80% P(B) = 0.8

假设北京冬天下雪的概率是 10% P(A) = 0.1

如果某一天堵车，下雪的概率是 10%, P(A|B) = 0.1

我们就可以得到P(B|A)= P(B)堵车的概率0.8 * P(A|B)，如果某一天堵车，下雪的概率 0.1

除以P(A) 下雪的概率 = 0.1，等到0.8

也就是说如果北京冬天某一天下雪，那么有80%可能性当天会堵车

代码实现

预处理

import random
import jieba
import pandas as pd


def load_data():
    """
    加载数据, 进行基本转换
    :return: 老公, 老婆, 儿子, 女儿 (家暴数据)
    """

    # 加载停用词
    stopwords = pd.read_csv('data/stopwords.txt', index_col=False, quoting=3, sep="\\t", names=['stopword'],
                            encoding='utf-8')
    stopwords = stopwords['stopword'].values
    print(stopwords, len(stopwords))

    # 加载语料
    laogong_df = pd.read_csv("data/beilaogongda.csv", encoding="utf-8", sep=",")
    laopo_df = pd.read_csv("data/beilaopoda.csv", encoding="utf-8", sep=",")
    erzi_df = pd.read_csv("data/beierzida.csv", encoding="utf-8", sep=",")
    nver_df = pd.read_csv("data/beinverda.csv", encoding="utf-8", sep=",")

    # 去除nan
    laogong_df.dropna(inplace=True)
    laopo_df.dropna(inplace=True)
    erzi_df.dropna(inplace=True)
    nver_df.dropna(inplace=True)

    # 转换
    laogong = laogong_df.segment.values.tolist()
    laopo = laopo_df.segment.values.tolist()
    erzi = erzi_df.segment.values.tolist()
    nver = nver_df.segment.values.tolist()

    # 调试输出
    print(laogong[:5])
    print(laopo[:5])
    print(erzi[:5])
    print(nver[:5])

    return laogong, laopo, erzi, nver, stopwords


def pre_process_data(content_lines, category, stop_words):
    """
    数据预处理
    :param content_lines: 语料
    :param category: 分类
    :param stop_words: 停用词
    :return: 预处理完的数据
    """

    # 存放结果
    sentences = []

    # 遍历
    for line in content_lines:
        try:
            segs = jieba.lcut(line)
            segs = [v for v in segs if not str(v).isdigit()]  # 去除数字
            segs = list(filter(lambda x: x.strip(), segs))  # 去除左右空格
            segs = list(filter(lambda x: len(x) > 1, segs))  # 长度为1的字符
            segs = list(filter(lambda x: x not in stop_words, segs))  # 去除停用词
            result = (" ".join(segs), category)  # 空格拼接
            sentences.append(result)
        except Exception:
            # 打印错误行
            print(line)
            continue

    return sentences


def pre_process():
    """
    数据预处理主函数
    :return: 返回预处理好的语料 (分词 + 标注)
    """

    # 读取数据
    laogong, laopo, erzi, nver, stop_words = load_data()

    # 预处理
    laogong = pre_process_data(laogong, 0, stop_words)
    laopo = pre_process_data(laopo, 1, stop_words)
    erzi = pre_process_data(erzi, 2, stop_words)
    nver = pre_process_data(nver, 3, stop_words)

    # 调试输出
    print(laogong[:2])
    print(laopo[:2])
    print(erzi[:2])
    print(nver[:2])

    # 拼接
    result = laogong + laopo + erzi + nver

    return result


if __name__ == '__main__':
    pre_process()

主函数

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from pre_peocessing import pre_process


def main(sentences):
    """主函数"""

    # 实例化
    vec = CountVectorizer(
        analyzer="word",
        max_features=4000
    )

    # 取出语料和标签
    x, y = zip(*sentences)

    # 分割数据集
    X_train, X_test, y_train, y_test = train_test_split(x, y, random_state=0)

    # 转换为词袋模型
    vec.fit(X_train)
    print(vec.get_feature_names())

    # 实例化朴素贝叶斯
    classifier = MultinomialNB()
    classifier.fit(vec.transform(X_train), y_train)

    # 预测
    y_predit = classifier.predict(vec.transform(X_test))
    # print(y_predit)
    # print(y_test)

    # 计算准确率
    score = classifier.score(vec.transform(X_test), y_test)
    print(score)


if __name__ == '__main__':
    data = pre_process()
    main(data)

输出结果:

['!' '"' '#' ... '450' '22549' '22544'] 2627
['报警人被老公打，请民警到场处理。', '看到上址女子被老公打  持刀 需要救护 （已通知120，如民警到场不需要，请致电120或110）请民警带好必要的防护设备，并且注意自身安全。', '报警人被老公打，醉酒持刀，（请民警携带必要个人防护装备到场处理，并注意自身安全。）', '报警人被老公打，对方人在，无需救护，请民警到场处理。', '报警人称 被老公打 1人伤 无需120 请民警到场处理。']
['报警人称被妻子打，未持械，人伤，无需120，妻子在场，请民警注意自身安全，请民警到场处理。', '家暴，称被其老婆打了，无持械，1人伤无需救护，请民警到场处理。', '报警人被老婆打，持械，无人伤，请民警到场处理，并注意自身安全。', '家庭纠纷报警人被老婆打 无需救护，请民警到场处理。', '闹离婚引发被老婆打，无持械，人无伤，请民警到场处理。']
['报警人被儿子打，无人伤，请民警到场处理。', '报警人称被儿子打 请民警到场处理。（内线：22649)', '报警人被儿子打 无人伤，无持械， 请民警携带必要防护装备并注意自身安全。', '报警人被儿子打，请民警到场处理', '报警人称被儿子打，人轻伤（一人伤），无持械。请民警携带必要的防护设备，并注意自身安全 请民警到场处理。']
['报警人称 被女儿打,1人伤 无需120,请民警到场处理。', '报警人被女儿打，因家庭纠纷，对方离开，请民警携带必要的防护设备，并注意自身安全。', '报警人被女儿打，无持械，请民警到场处理。', '报警人称被女儿打，无持械，人无事，请民警到场处理。请携带必要的防护装备，并请注意自身安全。', '报警人称其老婆被女儿打，无持械，人未伤，请民警到场处理。']
[('报警 老公 民警 到场', 0), ('上址 老公 持刀 救护 通知 民警 到场 致电 民警 防护 设备', 0)]
[('报警 人称 妻子 持械 人伤 无需 妻子 在场 民警 民警 到场', 1), ('家暴 老婆 持械 人伤 无需 救护 民警 到场', 1)]
[('报警 儿子 无人 民警 到场', 2), ('报警 人称 儿子 民警 到场', 2)]
[('报警 人称 女儿 人伤 无需 民警 到场', 3), ('报警 女儿 家庭 纠纷 离开 民警 携带 防护 设备', 3)]
['aa67c3', 'q5', '一人', '一人伤', '一名', '一拳', '一楼', '一辆', '丈夫', '上址', '不上', '不住', '不倒翁', '不明', '不清', '不用', '不行', '不让', '不详', '不通', '不需', '东西', '中断', '中有', '中称', '丰路', '乒乓', '九亭', '九泾路', '争吵', '亚美尼亚人', '人代报', '人伤', '人借', '人头', '人手', '人无事', '人无伤', '人未伤', '人称', '人系', '代为', '代报', '休假', '伤及', '住户', '保安', '保温瓶', '做好', '催促', '催问', '儿子', '儿称', '充电器', '公交车站', '公分', '公路', '关在', '关机', '其称', '其近', '具体地址', '冲突', '几天', '凳子', '出血', '出轨', '分处', '分局', '分已', '分所处', '分钟', '刚刚', '到场', '前妻', '剪刀', '割伤', '加拿大', '区划', '医治', '医院', '十一', '卧室', '卫生局', '去过', '又称', '反打', '反锁', '发生', '受伤', '变更', '口角', '口齿不清', '后往', '告知', '咬伤', '咱不需', '啤酒瓶', '喉咙', '喊救命', '喜泰路', '喝酒', '嘴唇', '回到', '回去', '回家', '回来', '在场', '在家', '地上', '地址', '坐在', '处置', '处警', '夏梦霭', '外伤', '外国人', '外面', '多岁', '大桥', '大理石', '大碍', '夫妻', '头上', '头伤', '头晕', '头痛', '头部', '奥迪', '女儿', '妇女', '妈妈', '妹妹', '妻子', '威胁', '婚外情', '婴儿', '媳妇', '孙女', '孤老', '定位', '家中', '家庭', '家庭成员', '家庭暴力', '家暴', '家门', '对峙', '对象', '将门', '小区', '小姑', '小孩', '尾号', '居委', '居委会', '居民', '岳母', '工作', '工作人员', '工具', '工号', '已处', '市场', '并称', '座机', '开门', '异地', '弄口', '引发', '弟弟', '当事人', '得知', '必备', '怀孕', '急救车', '情况', '情况不明', '情绪', '情节', '成功', '手上', '手持', '手指', '手机', '手机号', '手痛', '手部', '手里', '打人', '打伤', '打倒', '打其', '打打', '打架', '打死', '打电话', '打破', '打耳光', '打请', '扫帚', '抓伤', '报称', '报警', '担子', '拖鞋', '拦不住', '拿出', '拿到', '拿尺', '拿长', '拿鞋', '持刀', '持械', '持续', '持饭', '掐着', '接电话', '控制', '措施', '携带', '放下', '放到', '救命', '救护', '救护车', '无人', '无碍', '无需', '早上', '昨天', '暂时', '有伤', '有刀', '木棍', '杀人', '村里', '来电', '杯子', '松江', '桌上', '梅陇', '棍子', '棒头', '椅子', '楼上', '榔头', '此警', '武器', '武器装备', '残疾人', '母亲', '母子', '毛巾', '民警', '水壶', '水果刀', '求助', '沈杨', '没事', '沪牌', '注意安全', '活动室', '派出所', '流血', '浦东', '激动', '烟缸', '烧纸', '照片', '爬不起来', '父亲', '父女', '牙齿', '物业公司', '物品', '玩具', '现人', '现刀', '现场', '现称', '现要', '现跑', '玻璃', '瓶子', '用具', '用脚', '电告', '电线', '电视机', '电话', '疑似', '疾病', '白色', '皮带', '盒子', '相关', '看不见', '眼睛', '矛盾', '砍刀', '砸坏', '确认', '离去', '离婚', '离开', '离异', '称其', '称属', '称有', '称现', '称要', '稍后', '窗口', '竹棍', '等候', '等同', '筷子', '精神', '精神病', '纠纷', '经济纠纷', '翟路', '翟路纪', '老人', '老伯伯', '老伴', '老公', '老北', '老大爷', '老太', '老太太', '老头', '老婆', '老年', '联系电话', '肋骨', '肯德基', '脖子', '脸盆', '自动', '自残', '自称', '自行', '致电', '英语翻译', '菜刀', '虐待', '螺丝刀', '衣服', '衣架', '补充', '装备', '装机', '西门', '解释', '警卫室', '警察', '设备', '询问', '该户', '赌博', '走后', '赶出来', '起因', '路人报', '路边', '路近', '身上', '转接', '轻伤', '轻微伤', '轿车', '辛耕路', '过场', '过警', '过顾', '还称', '进屋', '追其', '逃出来', '逃逸', '通知', '通话', '邻居', '酒瓶', '醉酒', '钥桥', '铁棍', '铁质', '锁事', '锅铲', '锤子', '门卫', '门卫室', '门口', '门外', '门岗', '闵行', '防护', '阿姨', '陈路', '隔壁', '鞋子', '韩国', '项链', '验伤', '骨折', '黑色', '鼻子', '龙州', '龙舟']
C:\\Users\\Windows\\Anaconda3\\lib\\site-packages\\sklearn\\feature_extraction\\image.py:167: DeprecationWarning: `np.int` is a deprecated alias for the builtin `int`. To silence this warning, use `int` by itself. Doing this will not modify any behavior and is safe. When replacing `np.int`, you may wish to use e.g. `np.int64` or `np.int32` to specify the precision. If you wish to review your current use, check the release note link for additional information.
Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations
  dtype=np.int):
Building prefix dict from the default dictionary ...
Loading model from cache C:\\Users\\Windows\\AppData\\Local\\Temp\\jieba.cache
Loading model cost 0.922 seconds.
Prefix dict has been built successfully.
1.0

Process finished with exit code 0

准确率基本为 100%. 妈妈再也不同担心我被家暴啦!