前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >使用python 的结巴(jieba)库进行中文分词

使用python 的结巴(jieba)库进行中文分词

作者头像
机器学习AI算法工程
发布2018-03-14 16:11:41
1K0
发布2018-03-14 16:11:41
举报
文章被收录于专栏:机器学习AI算法工程

“结巴”中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. 功能参数:

  • 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。

安装:

pip install jieba

  1. 例子:
  2. # encoding=utf-8
  3. import jieba
  4. seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
  5. print("Full Mode: " + "/ ".join(seg_list)) # 全模式
  6. seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
  7. print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
  8. seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
  9. print(", ".join(seg_list))
  10. 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") # 搜索引擎模式
  11. print(", ".join(seg_list))

输出: 【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学 【精确模式】: 我/ 来到/ 北京/ 清华大学 【新词识别】:他, 来到, 了, 网易, 杭研, 大厦 (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了) 【搜索引擎模式】: 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

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
  • jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件
  1. vi extract_tags.py
  2. import sys
  3. sys.path.append('../')
  4. import jieba
  5. import jieba.analyse
  6. from optparse import OptionParser
  7. USAGE = "usage: python extract_tags.py [file name] -k [top k]"
  8. parser = OptionParser(USAGE)
  9. parser.add_option("-k", dest="topK")
  10. opt, args = parser.parse_args()
  11. if len(args) < 1:
  12. print(USAGE)
  13. sys.exit(1)
  14. file_name = args[0]
  15. if opt.topK is None:
  16. topK = 10
  17. else:
  18. topK = int(opt.topK)
  19. content = open(file_name, 'rb').read()
  20. tags = jieba.analyse.extract_tags(content, topK=topK)
  21. print(",".join(tags))

运行(需分词的文本test.txt)

  1. python extract_tags.py test.txt -k 20

jieba开源主页:https://github.com/fxsjy/jieba

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2016-10-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据挖掘DT数据分析 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档