如何在python中使用jieba中文分词库
本篇文章给大家分享的是有关如何在python中使用jieba中文分词库，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
1、分词
1.1、CUT函数简介
cut(sentence, cut_all=False, HMM=True)
返回生成器，遍历生成器即可获得分词的结果
lcut(sentence)
返回分词列表
importjieba sentence='我爱自然语言处理' #创建【Tokenizer.cut生成器】对象 generator=jieba.cut(sentence) #遍历生成器，打印分词结果 words='/'.join(generator) print(words)
打印结果
我/爱/自然语言/处理
importjieba
print(jieba.lcut('我爱南海中学'))打印结果
[‘我', ‘爱', ‘南海中学']
1.2、分词模式
精确模式：精确地切开
全模式：所有可能的词语都切出，速度快
搜索引擎模式：在精确模式的基础上，对长词再次切分
importjieba
sentence='订单数据分析'
print('精准模式：',jieba.lcut(sentence))
print('全模式：',jieba.lcut(sentence,cut_all=True))
print('搜索引擎模式：',jieba.lcut_for_search(sentence))打印结果
精准模式： [‘订单', ‘数据分析']
全模式： [‘订单', ‘订单数', ‘单数', ‘数据', ‘数据分析', ‘分析']
搜索引擎模式： [‘订单', ‘数据', ‘分析', ‘数据分析']
1.3、词性标注
jieba.posseg importjieba.possegasjp sentence='我爱Python数据分析' posseg=jp.cut(sentence) foriinposseg: print(i.__dict__) #print(i.word,i.flag)
打印结果
{‘word':‘我',‘flag':‘r'}
{‘word':‘爱',‘flag':‘v'}
{‘word':‘Python',‘flag':‘eng'}
{‘word':‘数据分析',‘flag':‘l'}词性标注表
| 标注 | 解释 | 标注 | 解释 | 标注 | 解释 |
|---|---|---|---|---|---|
| a | 形容词 | mq | 数量词 | tg | 时语素 |
| ad | 副形词 | n | 名词 | u | 助词 |
| ag | 形语素 | ng | 例：义 乳 亭 | ud | 例：得 |
| an | 名形词 | nr | 人名 | ug | 例：过 |
| b | 区别词 | nrfg | 也是人名 | uj | 例：的 |
| c | 连词 | nrt | 也是人名 | ul | 例：了 |
| d | 副词 | ns | 地名 | uv | 例：地 |
| df | 例：不要 | nt | 机构团体 | uz | 例：着 |
| dg | 副语素 | nz | 其他专名 | v | 动词 |
| e | 叹词 | o | 拟声词 | vd | 副动词 |
| f | 方位词 | p | 介词 | vg | 动语素 |
| g | 语素 | q | 量词 | vi | 例：沉溺于 等同于 |
| h | 前接成分 | r | 代词 | vn | 名动词 |
| i | 成语 | rg | 例：兹 | vq | 例：去浄 去过 唸过 |
| j | 简称略语 | rr | 人称代词 | x | 非语素字 |
| k | 后接成分 | rz | 例：这位 | y | 语气词 |
| l | 习用语 | s | 处所词 | z | 状态词 |
| m | 数词 | t | 时间词 | zg | 例：且 丗 丟 |
1.4、词语出现的位置
jieba.tokenize(sentence) importjieba sentence='订单数据分析' generator=jieba.tokenize(sentence) forpositioningenerator: print(position)
打印结果
(‘订单',0,2) (‘数据分析',2,6)
2、词典
2.1、默认词典
importjieba,os,pandasaspd
#词典所在位置
print(jieba.__file__)
jieba_dict=os.path.dirname(jieba.__file__)+r'\dict.txt'
#读取字典
df=pd.read_table(jieba_dict,sep='',header=None)[[0,2]]
print(df.head())
#转字典
dt=dict(df.values)
print(dt.get('暨南大学'))
2.2、添词和删词
往词典添词
add_word(word, freq=None, tag=None)
往词典删词，等价于add_word(word, freq=0)
del_word(word)
importjieba
sentence='天长地久有时尽，此恨绵绵无绝期'
#添词
jieba.add_word('时尽',999,'nz')
print('添加【时尽】：',jieba.lcut(sentence))
#删词
jieba.del_word('时尽')
print('删除【时尽】：',jieba.lcut(sentence))打印结果
添加【时尽】： [‘天长地久', ‘有', ‘时尽', ‘，', ‘此恨绵绵', ‘无', ‘绝期']
删除【时尽】： [‘天长地久', ‘有时', ‘尽', ‘，', ‘此恨绵绵', ‘无', ‘绝期']
2.3、自定义词典加载
新建词典，按照格式【单词 词频 词性】添词，以UTF-8编码保存
使用函数load_userdict加载词典
importos,jieba
#创建自定义字典
my_dict='my_dict.txt'
withopen(my_dict,'w',encoding='utf-8')asf:
f.write('慕容紫英9nr\n云天河9nr\n天河剑9nz')
#加载字典进行测试
sentence='慕容紫英为云天河打造了天河剑'
print('加载前：',jieba.lcut(sentence))
jieba.load_userdict(my_dict)
print('加载后：',jieba.lcut(sentence))
os.remove(my_dict)打印结果
加载前： [‘慕容', ‘紫英为', ‘云', ‘天河', ‘打造', ‘了', ‘天河', ‘剑']
加载后： [‘慕容紫英', ‘为', ‘云天河', ‘打造', ‘了', ‘天河剑']
2.4、使单词中的字符连接或拆分
suggest_freq(segment, tune=False)
importjieba
sentence='上穷碧落下黄泉，两处茫茫皆不见'
print('修正前：','|'.join(jieba.cut(sentence)))
jieba.suggest_freq(('落','下'),True)
print('修正后：','|'.join(jieba.cut(sentence)))打印结果
修正前： 上穷 | 碧 | 落下 | 黄泉 | ， | 两处 | 茫茫 | 皆 | 不见
修正后： 上穷 | 碧落 | 下 | 黄泉 | ， | 两处 | 茫茫 | 皆 | 不见
3、jieba分词原理
基于词典，对句子进行词图扫描，生成所有成词情况所构成的有向无环图（Directed Acyclic Graph）
根据DAG，反向计算最大概率路径（动态规划算法；取对数防止下溢，乘法运算转为加法）
根据路径获取最大概率的分词序列
importjieba
sentence='中心小学放假'
DAG=jieba.get_DAG(sentence)
print(DAG)
route={}
jieba.calc(sentence,DAG,route)
print(route)DAG
{0: [0, 1, 3], 1: [1], 2: [2, 3], 3: [3], 4: [4, 5], 5: [5]}
最大概率路径
{6: (0, 0), 5: (-9.4, 5), 4: (-12.6, 5), 3: (-20.8, 3), 2: (-22.5, 3), 1: (-30.8, 1), 0: (-29.5, 3)}
4、识别【带空格的词】
示例：使Blade Master这类中间有空格的词被识别
importjieba,re
sentence='BladeMaster疾风刺杀Archmage'
jieba.add_word('BladeMaster')#添词
print('修改前：',jieba.lcut(sentence))
jieba.re_han_default=re.compile('(.+)',re.U)#修改格式
print('修改后：',jieba.lcut(sentence))打印结果
修改前： [‘Blade', ' ', ‘Master', ‘疾风', ‘刺杀', ‘Archmage']
修改后： [‘Blade Master', ‘疾风', ‘刺杀', ‘Archmage']
5、其它
5.1、并行分词
运行环境：linux系统
开启并行分词模式，参数n为并发数：jieba.enable_parallel(n)
关闭并行分词模式：jieba.disable_parallel()
5.2、关键词提取
基于TF-IDF：jieba.analyse
基于TextRank：jieba.textrank
importjieba.analyseasja,jieba
text='柳梦璃施法破解了狐仙的法术'
jieba.add_word('柳梦璃',tag='nr')
keywords1=ja.extract_tags(text,allowPOS=('n','nr','ns','nt','nz'))
print('基于TF-IDF：',keywords1)
keywords2=ja.textrank(text,allowPOS=('n','nr','ns','nt','nz'))
print('基于TextRank：',keywords2)打印结果
基于TF-IDF： [‘柳梦璃', ‘狐仙', ‘法术']
基于TextRank： [‘狐仙', ‘柳梦璃', ‘法术']
5.3、修改HMM参数
importjieba
text='柳梦璃解梦C法'
print(jieba.lcut(text,HMM=False))#['柳','梦','璃','解梦','C','法']
print(jieba.lcut(text))#['柳梦璃','解梦','C','法']
jieba.finalseg.emit_P['B']['C']=-1e-9#begin
print(jieba.lcut(text))#['柳梦璃','解梦','C','法']
jieba.finalseg.emit_P['M']['梦']=-100#middle
print(jieba.lcut(text))#['柳','梦璃','解梦','C','法']
jieba.finalseg.emit_P['S']['梦']=-.1#single
print(jieba.lcut(text))#['柳','梦','璃','解梦','C','法']
jieba.finalseg.emit_P['E']['梦']=-.01#end
print(jieba.lcut(text))#['柳梦','璃','解梦','C','法']
jieba.del_word('柳梦')#Force_Split_Words
print(jieba.lcut(text))#['柳','梦','璃','解梦','C','法'][‘柳', ‘梦', ‘璃', ‘解梦', ‘C', ‘法']
[‘柳梦璃', ‘解梦', ‘C', ‘法']
[‘柳梦璃', ‘解梦', ‘C', ‘法']
[‘柳', ‘梦璃', ‘解梦', ‘C', ‘法']
[‘柳', ‘梦', ‘璃', ‘解梦', ‘C', ‘法']
[‘柳梦', ‘璃', ‘解梦', ‘C', ‘法']
[‘柳', ‘梦', ‘璃', ‘解梦', ‘C', ‘法']
以上就是如何在python中使用jieba中文分词库，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注恰卡编程网行业资讯频道。
