中文分词-jieba库知识大全

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