python jieba库的基本使用
一、jieba库概述
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库，需要额外安装
- jieba库提供三种分词模式，最简单只需要掌握一个函数
二、jieba库安装
pipinstalljieba
三、jieba分词的原理
jieba分词依靠中文词库
- 利用一个中文词库，确定汉字之间的关联概率
- 汉字间概率大的组成词组，形成分词结果
四、jieba分词的3种模式
- 精确模式：把文本精确地切分开，不存在冗余单词（最常用）
- 全模式：把文本中所有可能的词语都扫描出来，有冗余
- 搜索引擎模式：在精确模式的基础上，对长词再次切分
五、jieba库常用函数
| 函数 | 描述 |
|---|---|
| jieba.lcut(s) | 精确模式，返回一个列表类型的分词结果 |
| jieba.lcut(s,cut_all=True) | 全模式，返回一个列表类型的分词结果，存在冗余 |
| jieba.lcut_for_search(s) | 搜索引擎模式，返回一个列表类型的分词结果，存在冗余 |
| jieba.lcut(s) | 精确模式，返回一个列表类型的分词结果 |
| jieba.add_word(s) | 向分词词典增加新词w |
例子：
>>>jieba.lcut("中国是一个伟大的国家")
['中国','是','一个','伟大','的','国家']
>>>jieba.lcut("中国是一个伟大的国家",cut_all=True)
['中国','国是','一个','伟大','的','国家']
>>>jieba.lcut_for_search("中华人民共和国是伟大的")
['中华','华人','人民','共和','共和国','中华人民共和国','是','伟大','的']
六、文本词频示例
问题分析
- 英文文本：Hamlet分析词频
https://python123.io/resources/pye/hamlet.txt
- 中文文本：《三国演义》分析人物
https://python123.io/resources/pye/threekingdoms.txt
代码如下：
defgetText():
#打开hamlet.txt这个文件
txt=open("hamlet.txt","r").read()
#避免大小写对词频统计的干扰，将所有单词转换为小写
txt=txt.lower()
#将文中出现的所有特殊字符替换为空格
forchin'|"#$%^&*()_+-=\\`~{}[];:<>?/':
txt=txt.replace(ch,"")
#返回一个所以后单词都是小写的，单词间以空格间隔的文本
returntxt
hamletTxt=getText()
#split()默认使用空格作为分隔符
words=hamletTxt.split()
counts={}
forwordinwords:
counts[word]=counts.get(word,0)+1
items=list(counts.items())
items.sort(key=lambdax:x[1],reverse=True)
foriinrange(10):
word,count=items[i]
print("{0:<10}{1:>5}".format(word,count))
上面代码中的
items.sort(key=lambdax:x[1],reverse=True)
是根据单词出现的次数进行排序，其中使用了lambda函数。更多解释请看：
https://www.runoob.com/python/att-list-sort.html
下面使用jieba库来统计《三国演义》中任务出场的次数：
importjieba
txt=open("threekingdoms.txt","r",encoding="utf-8").read()
words=jieba.lcut(txt)
counts={}
forwordinwords:
iflen(word)==1:
continue
else:
counts[word]=counts.get(word,0)+1
items=list(counts.items())
items.sort(key=lambdax:x[1],reverse=True)
foriinrange(15):
word,count=items[i]
print("{0:<10}{1:>5}".format(word,count))
运行结果：
曹操953 孔明836 将军772 却说656 玄德585 关公510 丞相491 二人469 不可440 荆州425 玄德曰390 孔明曰390 不能384 如此378 张飞358
我们可以看到得出的结果与我们想象的有些差异，比如
- “却说”、“二人”等与人名无关
- “诸葛亮”、“孔明”都是同一个人
- “孔明”和“孔明曰”分词不符合我们的需求
所以我们需要对上面代码进行优化，在词频统计的基础上，面向问题改造我们的程序。
下面是《三国演义》人物数量统计代码的升级版，升级版中对于某些确定不是人名的词，即使做了词频统计，也要将它删除掉。使用寄一个集合excludes来接收一些确定不是人名但是又排序比较靠前的单词列进去。
importjieba
txt=open("threekingdoms.txt","r",encoding="utf-8").read()
excludes={"将军","却说","荆州","二人","不可","不能","如此"}
words=jieba.lcut(txt)
counts={}
forwordinwords:
iflen(word)==1:
continue
elifword=="诸葛亮"orword=="孔明曰":
rword=="孔明"
elifword=="关公"orword=="云长":
rword=="关羽"
elifword=="玄德"orword=="玄德曰":
rword=="刘备"
elifword=="孟德"orword=="丞相":
rword=="曹操"
else:
rword=word
counts[rword]=counts.get(rword,0)+1
items=list(counts.items())
items.sort(key=lambdax:x[1],reverse=True)
foriinrange(15):
word,count=items[i]
print("{0:<10}{1:>5}".format(word,count))
运行结果：
曹操963 孔明847 张飞366 商议359 如何352 主公340 军士320 吕布303 左右298 军马297 赵云283 刘备282 引兵279 次日278 大喜274
可以看出还是有像“商议”、“如何”等不是人物的词出现在统计结果，我们将这些词加入到excludes中，多次运行程序后最后得到《三国演义》任务出场顺序前20：
七、文本词频统计问题举一反三
应用问题扩展
- 《红楼梦》、《西游记》、《水浒传》...等名著都可以统计它的任务出场次数
- 政府工作报告、科研论文、新闻报道...中出现的大量的词频进行分析，进而找到每篇文章的重点内容
- 进一步，对文本的词语或词汇绘制成词云，使其展示的效果更加直观
以上内容资料均来源于中国大学MOOC网-北京理工大学Python语言程序设计课程
课程地址：https://www.icourse163.org/course/BIT-268001
以上就是pythonjieba库的基本使用的详细内容，更多关于pythonjieba库的资料请关注毛票票其它相关文章！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。