Python使用jieba库分词并去除标点符号

Posted 2023-04-02 Alexabc3000

相对于英文文本，中文文本挖掘面临的首要问题就是分词，因为中文的词之间没有空格。在Python中可以使用jieba库来进行中文分词。

但是在中文中，标点符号出现的频率也是很高的，在使用jieba库对带有标点符号的汉语句子进行分词时，标点符号出现在分词结果中时，对于后续的文本数据挖掘是一个不利的因素。

本文介绍一段去除标点符号的Python代码。并在Anaconda3的Jupyter Notebook中展现代码的运行结果。

下面的代码，定义一段带有标点符号的文本，并使用jieba库进行分词。代码如下：

import jieba

text = "她说：“我爱死你了！”"

cutwords = list(jieba.cut(text))

cutwords

运行结果如下图所示：

上图中，分词结果列表中有标点符号冒号、逗号、感叹号、左双引号、右双引号等。

使用下面这段代码即可从分词结果中去除标点符号。代码如下：

import jieba

import pandas as pd

text = "她说：“我爱死你了！”"

cutwords = list(jieba.cut(text))

cutwords = pd.Series(cutwords)[pd.Series(cutwords).apply(len)>0] #去除长度为0的词

stopwords=['：','“','！','”']

cutwords = cutwords[~cutwords.isin(stopwords)]

cutwords

上面这段代码主要使用了pandas库中的函数，还定义了停用词列表stopwords，将想要去除的标点符号添加到该列表中。运行结果如下图所示：

 

由程序运行结果可以看出，达到了目的，即去除了分词结果中的标点符号。

相关参考资料：

1. Python手动安装Jieba库（Win11）. https://www.toutiao.com/article/7162528424102789635/?log_from=20632270c7786_1668424596605 .
2. 在Anaconda3使用Jupyter Notebook的简单例子. https://www.toutiao.com/article/7160267285184119333/?log_from=5da6ca35b0bd3_1668424881002 .
3. Python在机器学习中的应用. 余本国, 孙玉林著. 中国水利水电出版社[北京], 2019年6月第一版.

 

Python 中的 jieba 库

目录

• jieba库
  • 一、 简介
    • 1、 是什么
    • 2、 安装
  • 二、 基本使用
    • 1、 三种模式
    • 2、 使用语法
      • 2.1 对词组的基本操作
      • 2.2 关键字提取
      • 2.3 词性标注
      • 2.4 返回词语在原文的起止位置

jieba库

一、 简介

1、 是什么

（1）jieba是优秀的中文分词第三方库

• 中文文本需要通过分词获得单个的词语
• jieba是优秀的中文分词第三方库，需要额外安装
• jieba库提供三种分词模式，最简单只需掌握一个函数

（2）jieba分词的原理

• jieba分词依靠中文词库
• 利用一个中文词库，确定汉字之间的关联概率
• 汉字间概率大的组成词组，形成分词结果
• 除了分词，用户还可以添加自定义的词组

2、 安装

pip install jieba
导入
import jieba

官方文档【https://github.com/fxsjy/jieba】

二、 基本使用

1、 三种模式

精确模式：

• 就是把一段文本精确地切分成若干个中文单词，若干个中文单词之间经过组合，就精确地还原之前的文本。其中不存在冗余单词

• str = "你好呀，我叫李华！多多关照！"
  print(jieba.lcut(str))
  

全模式：

• 将一段文本中所有可能的词语都扫描出来，可能有一段文本，它可以切分成不同的模式，或者有不同的角度来切分变成不同的词语，在全模式下，jieba库会将各种不同的组合都挖掘出来。分词后的信息组合起来会有冗余，不再是原来的文本

• str = "你好呀，我叫李华！多多关照！"
  print(jieba.lcut(str, cut_all=True))
  

搜索引擎模式：

• 在精确模式的基础上，对发现的那些长的词语，我们会对它再次切分，进而适合搜索引擎对短词语的索引和搜索。也有冗余

• str = "你好呀，我叫李华！多多关照！"
  print(jieba.lcut_for_search(str))
  

2、 使用语法

2.1 对词组的基本操作

• 添加

  • str = "你好呀，我叫李华！多多关照！"
    jieba.add_word("你")
    print(jieba.lcut(str))
    

• 删除

  • str = "你好呀，我叫李华！多多关照！"
    jieba.del_word("李华")
    print(jieba.lcut(str))
    

• 加载自定义词典

  • str = "你好呀，我叫李华！多多关照！"
    jieba.load_userdict("./dict.txt")  # 文件编码必须为 utf-8
    print(jieba.lcut(str))
    

• 调整词出现的频率

  • str = "你好呀，我叫李华！多多关照！"
    jieba.suggest_freq(("李", "华"), True)
    print(jieba.lcut(str))
    

2.2 关键字提取

TFIDF算法

import jieba.analyse  # 导包

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,
                           allowPOS=())
jieba.analyse.TFIDF(idf_path=None)  # 创建一个新的 TFIDF 实例，idf_path是指指定 IDF 频率文件的路径

参数：

• sentence：要提取的文本
• topK：返回多少个具有最高TF/IDF权重的关键字。默认值为 20
• withWeight：是否返回关键字的TF/IDF权重。默认为假
• allowPOS：过滤包含POS（词性）的单词。空无过滤，可以选择[\'ns\', \'n\', \'vn\', \'v\',\'nr\']

TextRank算法

jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(\'ns\', \'n\', \'vn\', \'v\'))  # 有默认词性
jieba.analyse.TextRank()  # 新建自定义 TextRank 实例

2.3 词性标注

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

import jieba.posseg

str = "你好呀，我叫李华！多多关照！"
pt = jieba.posseg.POSTokenizer()
print(pt.lcut(str))  # 得到 pair键值对，使用遍历取值
# print(jieba.posseg.cut(str))  # 作用一样
for i, k in ps.lcut(str):
    print(i, k)

2.4 返回词语在原文的起止位置

jieba.tokenize(arg, mode=None)

mode有搜索模式（search）和默认模式（default）

import jieba

str = "你好呀，我叫李华！多多关照！"
g = jieba.tokenize(str, mode="search")  # 生成器
for i in g:
    print(i)

本文来自博客园，作者：A-L-Kun，转载请注明原文链接：https://www.cnblogs.com/liuzhongkun/p/16056345.html