Python 分词及词云绘图

Posted 2020-10-20 KK——数据分析

支持三种分词模式：
精确模式，试图将句子最精确地切开，适合文本分析；
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；
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。


关键词：HMM 隐马尔可夫模型

 

三种分词模式：

# -*- coding: utf-8 -*-
import jieba
#jieba.initialize()

seg_list = jieba.cut("中华人民共和国万岁！", cut_all=False) #精确模式（默认）
print(" | ".join(seg_list))

seg_list = jieba.cut("中华人民共和国万岁！", cut_all=True)  #全模式
print(" | ".join(seg_list)) 

seg_list = jieba.cut_for_search("中华人民共和国万岁！")     #搜索引擎模式
print(" | ".join(seg_list))

结果：
中华人民共和国 | 万岁 | ！
中华 | 中华人民 | 中华人民共和国 | 华人 | 人民 | 人民共和国 | 共和 | 共和国 | 万岁 |  |
中华 | 华人 | 人民 | 共和 | 共和国 | 中华人民共和国 | 万岁 | ！

 

结果可以直接保持为 list

seg_list = jieba.cut("中华人民共和国万岁！") #默认精确模式
print(seg_list) #此返回生成器

seg_list = jieba.lcut("中华人民共和国万岁！")
print(seg_list)

seg_list = jieba.lcut_for_search ("中华人民共和国万岁！")
print(seg_list)

结果：
<generator object Tokenizer.cut at 0x0000000003972150>
[\'中华人民共和国\', \'万岁\', \'！\']
[\'中华\', \'华人\', \'人民\', \'共和\', \'共和国\', \'中华人民共和国\', \'万岁\', \'！\']

 

【自定义分词字典（属额外添加）】
默认分词器为 jieba.dt。可使用自定义字典，添加词库中没有的词，文本必须为 UTF-8 编码。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。

测试文件 dict.txt 中，我只添加一个单词 "和国":

jieba.load_userdict("C:/Users/huangzecheng/Desktop/dict.txt") 

seg_list = jieba.cut("中华人民共和国万岁！", cut_all=True)#如全模式
print(" | ".join(seg_list)) 

结果：
中华 | 中华人民 | 中华人民共和国 | 华人 | 人民 | 人民共和国 | 共和 | 共和国 | 和国 | 万岁 |  |

【添加删除分词】
加载的自定义词典，是与默认的一起定义分词的。也可以使用几个函数添加、删除、禁止某个词被划分。
add_word(word, freq=None, tag=None)
del_word(word) 
suggest_freq(segment, tune=True)

jieba.add_word(\'中华人\')
print(" | ".join(jieba.cut("中华人民共和国万岁！", cut_all=True))) 
结果：中华 | 中华人 | 中华人民 | 中华人民共和国 | 华人 | 人民 | 人民共和国 | 共和 | 共和国 | 和国 | 万岁 |  |

jieba.del_word(\'共和\') 
print(" | ".join(jieba.cut("中华人民共和国万岁！", cut_all=True))) 
结果：中华 | 中华人 | 中华人民 | 中华人民共和国 | 华人 | 人民 | 人民共和国 | 共和国 | 和国 | 万岁 |  |

jieba.add_word(\'共和\')
jieba.suggest_freq(\'国万岁\', tune=True)
print(" | ".join(jieba.cut("中华人民共和国万岁！", cut_all=True))) 
结果：中华 | 中华人 | 中华人民 | 中华人民共和国 | 华人 | 人民 | 人民共和国 | 共和国 | 和国 | 国万岁 | 万岁 |  |

【使用最多的分词】
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

测试：去文本中出现次数最多的前5个字符

str = "topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20;"
str = str + "withWeight 为是否一并返回关键词权重值，默认值为 False"
str = str + "allowPOS 仅包括指定词性的词，默认值为空，即不筛选"
str = str + "jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件"
tags = jieba.analyse.extract_tags(str, topK=5)
print(" | ".join(tags))
结果：默认值 | TFIDF | idf | IDF | path

 上面说过字典有3部分组成：词语、词频（可省略）、词性（可省略）。textrank可运行过滤不同词性。
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(\'ns\', \'n\', \'vn\', \'v\')) 

tags = jieba.analyse.textrank(str, topK=5, withWeight=False, allowPOS=(\'ns\', \'n\', \'vn\', \'v\')) 
print(" | ".join(tags))
结果：权重 | 关键词 | 词性 | 频率 | 新建

【取分词及词性】

words = jieba.posseg.cut("中华人民共和国万岁！")
for word, flag in words:
    print(\'%s %s\' % (word, flag))

结果：
中华人民共和国 ns
万岁 m
！ x

【取分词及起止位置】

words = jieba.tokenize("中华人民共和国万岁！")
for w in words:
    print("word %s\\t\\t start: %d \\t\\t end:%d" % (w[0],w[1],w[2]))

结果：
word 中华人民共和国      start: 0         end:7
word 万岁                start: 7         end:9
word ！                  start: 9         end:10

words = jieba.tokenize("中华人民共和国万岁！", mode=\'search\') #搜索模式
for w in words:
    print("word %s\\t\\t start: %d \\t\\t end:%d" % (w[0],w[1],w[2]))

结果：
word 中华                start: 0                end:2
word 华人                start: 1                end:3
word 人民                start: 2                end:4
word 共和                start: 4                end:6
word 共和国              start: 4                end:7
word 中华人民共和国      start: 0                end:7
word 万岁                start: 7                end:9
word ！                  start: 9                end:10

简单示例：从 sql server 数据库中读取某个文本字段，分词并自定义绘图

# -*- coding: utf-8 -*-

import pymssql
import jieba
import jieba.analyse
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from scipy.misc import imread

host = "localhost"
user = "kk"
passwd = "kk"
dbname = "hzc"
conn = None

try:
    conn = pymssql.connect(
        host = host,
        user = user,
        password = passwd,
        database = dbname
        )
    cur = conn.cursor()
    cur.execute("select col from jieba;")
    rows = cur.fetchall()
    tagsall=u""
    #tagsall = open(\'filepath.txt\',\'r\').read()
    for row in rows:
        tags = jieba.analyse.extract_tags(row[0], topK=20)
        tagsjoin = u" ".join(tags)
        tagsall = tagsall + " " + tagsjoin
        #print(tagsjoin)

    #http://labfile.oss.aliyuncs.com/courses/756/DroidSansFallbackFull.ttf
    wc_cfg = WordCloud(
        font_path="D:/Python35/Tools/whl/DroidSansFallbackFull.ttf",#字体
        mask= imread("D:/Python35/Tools/whl/bg.png"),#背景模板(只黑白图，黑的显示)
        background_color="white", #背景色
        max_words=1000,     #最大词量
        mode="RGBA",        #透明底色(background_color不为空).默认rgb
        width=500,          #宽度
        height=400,         #高度
        max_font_size=100   #字体大小
    )
    wc = wc_cfg.generate(tagsall)
    plt.imshow(wc)
    plt.axis("off")
    plt.show()
finally:
    if conn:
        conn.close()