python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库 |
您所在的位置：网站首页 › 清明节主题班会教案标题怎么写 › python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库 |
python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库
|
“结巴”中文分词：做最好的 Python 中文分词组件,分词模块jieba，它是python比较好用的分词模块, 支持中文简体，繁体分词，还支持自定义词库。 jieba的分词，提取关键词，自定义词语。 结巴分词的原理 这里写链接内容 一、 基于结巴分词进行分词与关键词提取1、jieba.cut分词三种模式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。#coding=utf-8 import jieba,math import jieba.analyse ''' jieba.cut主要有三种模式 #随便对一个动物园的评论进行分析 str_text="真是好久好久没来哈皮娜拉野生动物园了，记忆里还是小时候三四年级学校组织春游去的银河系" #全模式cut_all=True str_quan1=jieba.cut(str_text,cut_all=True) print('全模式分词：{ %d}' % len(list(str_quan1))) str_quan2=jieba.cut(str_text,cut_all=True) print("/".join(str_quan2)) # print(str(str_1)) #为一个generator 用for循环可以得到分词的结果 # str_1_len=len(list(str_1)) #为什么？这里执行后后面.join 就不执行，求告知 #精准模式cut_all=False，默认即是 str_jing1=jieba.cut(str_text,cut_all=False) print('精准模式分词：{ %d}' % len(list(str_jing1))) str_jing2=jieba.cut(str_text,cut_all=False) print("/".join(str_jing2)) #搜索引擎模式 cut_for_search str_soso1=jieba.cut_for_search(str_text) print('搜索引擎分词：{ %d}' % len(list(str_soso1))) str_soso2=jieba.cut_for_search(str_text) print("/".join(str_soso))结果 全模式分词：{ 32} Prefix dict has been built succesfully. 真是/TMD/好久/好久好久/好久/好久没/没来/哈/皮/娜拉/野生/野生动物/生动/动物/动物园/了///记忆/记忆里/还是/小时/小时候/时候/学校/组织/春游/游去/的/银河/银河系/河系 精准模式分词：{ 19} 真是/TMD/好久好久/没来/哈皮/娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系 搜索引擎分词：{ 27} 真是/TMD/好久/好久/好久好久/没来/哈皮/娜拉/野生/动物/动物园/了/，/记忆/记忆里/还是/小时/时候/小时候/学校/组织/春游/去/的/银河/河系/银河系、 2、关键词提取、关键词提取**import jieba.analyse ’analyse.extract.tags‘ ''' keywords1=jieba.analyse.extract_tags(str_text) print('关键词提取'+"/".join(keywords1)) keywords_top=jieba.analyse.extract_tags(str_text,topK=3) print('关键词topk'+"/".join(keywords_to#有时不确定提取多少关键词，可利用总词的百分比 print('总词数{}'.format(len(list(jieba.cut(str_text))))) total=len(list(jieba.cut(str_text))) get_cnt=math.ceil(total*0.1) #向上取整 print('从%d 中取出%d 个词'% (total,get_cnt)) keywords_top1=jieba.analyse.extract_tags(str_text,topK=get_cnt) print('关键词topk'+"/".join(keywords_top1))''结果： **关键词提取**TMD/哈皮/春游/好久好久/记忆里/娜拉/银河系/没来/动物园/小时候/野生/学校/真是/组织/还是 **关键词topk**TMD/哈皮/春游 总词数19 从19 中取出2 个词topkTMD/哈皮、 3、加自定义词与加载自定义词库**添加自定义词================# 处理时，jieba.add_word # add_word(word,freq=None,tag=None) 和del_word可在程序中动态修改词典 # suggest_freq(segment,tune=Ture)可调节单词词频，时期能或不能显示 # 注：自动计算的词频在使用HMM新词发现功能时可能无效 # ''' # str_jing2=jieba.cut(str_text,cut_all=False) # print('add_word前:'+"/".join(str_jing2)) # #添加自定义词 # jieba.add_word('哈皮娜拉') # str_jing3=jieba.cut(str_text,cut_all=False) # print('add_word后:'+"/".join(str_jing3)) # #修正词频 # jieba.suggest_freq('野生动物园',tune=True) # str_jing4=jieba.cut(str_text,cut_all=False) # print('suggest_freq后:'+"/".join(str_jing4)) #结果： add_word前:真是/TMD/好久好久/没来/哈皮/娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系 add_word后:真是/TMD/好久好久/没/来/哈皮娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系 suggest_freq后:真是/TMD/好久好久/没/来/哈皮娜拉/野生动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系 加载自定义词库jieba.load_userdict(filename)#filename为文件路径 词典格式和dict.txt一样，一词一行，每行分三个部分（用空格隔开），词语 词频（可省） 词性（可省） 顺序不可颠倒，若filename为路径或二进制方式打开，则需为UTF-8 ''' #定义：三四年级 在文件内 jieba.load_userdict('C:\\Users\\lenovo\\Desktop\\自定义词库.txt') str_load=jieba.cut(str_text,cut_all=False) print('load_userdict后:'+"/".join(str_load)) ''' 注jieba.load_userdict加载自定义词库和jieba初始化词库一同使用， 但是，默认的初始词库放在安装目录ixia，如果确定长期加载词库，就替换他 使用词库的切换功能set_dictionary() 可将jieba默认词库copy到自己的目录下，在添加，或者找到更全的词库 ''' #一般在python都为site-packages\jieba\dict.txt #模拟演示 jieba.set_dictionary('filename') #之后进行分词，如果我们切换了词库，此时程序就会初始化 我们制定的词库，而不加载默认路径词库使用： -安装或者将jieba目录放在当前目录或者site-packages目录 算法： -基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG） -采用动态规划查找最大概率路径，找出基于词频的最大切分组合 -对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法 添加自定义词典 -开发者可以指定自己自定义的词典，以便包含jieba词库里没有的词。虽然jieba有新词识别能力，但是自行添加新词可以保证更高的正确率 -用法：jieba.load_userdict(file_name)#file_name为文件类对象 或自定义词典的路径 -词典格式：一个词一行:词语，词频（可省略），词性（可省略），用空格隔开，顺序不可颠倒。UTF-8编码。 关键词提取： 4、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 用法:jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径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 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径5、基于TextRank算法的关键词提取jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)) 直接使用，接口相同，注意默认过滤词性。 jieba.analyse.TextRank() 新建自定义 TextRank 实例 –基本思想： 1，将待抽取关键词的文本进行分词 2，以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图 3，计算图中节点的PageRank，注意是无向带权图 这里写图片描述对于itemgetter()用法参照连接 二、 常用NLP扩充知识点(python2.7)Part 1. 词频统计、降序排序article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read() words = jieba.cut(article, cut_all = False) word_freq = {} for word in words: if word in word_freq: word_freq[word] += 1 else: word_freq[word] = 1 freq_word = [] for word, freq in word_freq.items(): freq_word.append((word, freq)) freq_word.sort(key = lambda x: x[1], reverse = True) max_number = int(raw_input(u"需要前多少位高频词？ ")) for word, freq in freq_word[: max_number]: print word, freqPart 2. 人工去停用词标点符号、虚词、连词不在统计范围内。 stopwords = [] for word in open("C:\\Users\\Luo Chen\\Desktop\\stop_words.txt", "r"): stopwords.append(word.strip()) article = open("C:\\Users\\Luo Chen\\Desktop\\demo_long.txt", "r").read() words = jieba.cut(article, cut_all = False) stayed_line = "" for word in words: if word.encode("utf-8") not in stopwords: stayed_line += word + " " print stayed_linePart 3. 合并同义词将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。 这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。 combine_dict = {} for line in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"): seperate_word = line.strip().split("\t") num = len(seperate_word) for i in range(1, num): combine_dict[seperate_word[i]] = seperate_word[0] jieba.suggest_freq("北平城", tune = True) seg_list = jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all = False) f = ",".join(seg_list) result = open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "w") result.write(f.encode("utf-8")) result.close() for line in open("C:\\Users\\Luo Chen\\Desktop\\output.txt", "r"): line_1 = line.split(",") final_sentence = "" for word in line_1: if word in combine_dict: word = combine_dict[word] final_sentence += word else: final_sentence += word print final_sentencePart 4. 词语提及率主要步骤：分词——过滤停用词（略）——替代同义词——计算词语在文本中出现的概率。 origin = open("C:\\Users\\Luo Chen\\Desktop\\tijilv.txt", "r").read() jieba.suggest_freq("晨妈妈", tune = True) jieba.suggest_freq("大黑牛", tune = True) jieba.suggest_freq("能力者", tune = True) seg_list = jieba.cut(origin, cut_all = False) f = ",".join(seg_list) output_1 = open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "w") output_1.write(f.encode("utf-8")) output_1.close() combine_dict = {} for w in open("C:\\Users\\Luo Chen\\Desktop\\tongyici.txt", "r"): w_1 = w.strip().split("\t") num = len(w_1) for i in range(0, num): combine_dict[w_1[i]] = w_1[0] seg_list_2 = "" for i in open("C:\\Users\\Luo Chen\\Desktop\\output_1.txt", "r"): i_1 = i.split(",") for word in i_1: if word in combine_dict: word = combine_dict[word] seg_list_2 += word else: seg_list_2 += word print seg_list_2freq_word = {} seg_list_3 = jieba.cut(seg_list_2, cut_all = False) for word in seg_list_3: if word in freq_word: freq_word[word] += 1 else: freq_word[word] = 1 freq_word_1 = [] for word, freq in freq_word.items(): freq_word_1.append((word, freq)) freq_word_1.sort(key = lambda x: x[1], reverse = True) for word, freq in freq_word_1: print word, freq total_freq = 0 for i in freq_word_1: total_freq += i[1] for word, freq in freq_word.items(): freq = float(freq) / float(total_freq) print word, freqPart 5. 按词性提取import jieba.posseg as pseg word = pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。") for w in word: if w.flag in ["n", "v", "x"]: print w.word, w.flag以下内容来源于网络收集 3. 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 分词词性可参见博客：[词性参考](http://blog.csdn.net/HHTNAN/article/details/77650128) jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件代码示例 （关键词提取） https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py 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 用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py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 用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径 自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py关键词一并返回关键词权重值示例 用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py基于 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，接口相同，注意默认过滤词性。 jieba.analyse.TextRank() 新建自定义 TextRank 实例算法论文： TextRank: Bringing Order into Texts 基本思想: 将待抽取关键词的文本进行分词 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图 计算图中节点的PageRank，注意是无向带权图 使用示例: 见 test/demo.py 4. 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。 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 并行分词 原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升 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 例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。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 ChineseAnalyzer for Whoosh 搜索引擎 引用： from jieba.analyse import ChineseAnalyzer 用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py命令行分词使用示例：python -m jieba news.txt > cut_result.txt 命令行选项（翻译）： 使用: python -m jieba [options] filename 结巴命令行界面。 固定参数: filename 输入文件 可选参数: -h, –help 显示此帮助信息并退出 -d [DELIM], –delimiter [DELIM] 使用 DELIM 分隔词语，而不是用默认的’ / ‘。 若不指定 DELIM，则使用一个空格分隔。 -p [DELIM], –pos [DELIM] 启用词性标注；如果指定 DELIM，词语和词性之间 用它分隔，否则用 _ 分隔 -D DICT, –dict DICT 使用 DICT 代替默认词典 -u USER_DICT, –user-dict USER_DICT 使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用 -a, –cut-all 全模式分词（不支持词性标注） -n, –no-hmm 不使用隐含马尔可夫模型 -q, –quiet 不输出载入信息到 STDERR -V, –version 显示版本信息并退出 如果没有指定文件名，则使用标准输入。 –help 选项输出： $> python -m jieba –help Jieba command line interface. positional arguments: filename input file optional arguments: -h, –help show this help message and exit -d [DELIM], –delimiter [DELIM] use DELIM instead of ’ / ’ for word delimiter; or a space if it is used without DELIM -p [DELIM], –pos [DELIM] enable POS tagging; if DELIM is specified, use DELIM instead of ‘_’ for POS delimiter -D DICT, –dict DICT use DICT as dictionary -u USER_DICT, –user-dict USER_DICT use USER_DICT together with the default dictionary or DICT (if specified) -a, –cut-all full pattern cutting (ignored with POS tagging) -n, –no-hmm don’t use the Hidden Markov Model -q, –quiet don’t print loading messages to stderr -V, –version show program’s version number and exit If no filename specified, use STDIN instead. 延迟加载机制 jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。 import jieba jieba.initialize() # 手动初始化（可选） 在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径: jieba.set_dictionary(‘data/dict.txt.big’) 例子： https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py 参考文献：http://blog.csdn.net/xiaoxiangzi222/article/details/53483931 |
【本文地址】
今日新闻 |
推荐新闻 |