利用jieba进行中文分词并进行词频统计

1.安装jieba库

在windows的Anaconda环境下如果没有设置环境变量，则从Dos命令先进入...\Anaconda3\Scripts 目录中，然后运行以下命令即可：

pip install jieba

2.分词示例

我们先用一段文本来进行分词并做词频统计：

央视网消息：当地时间11日，美国国会参议院以88票对11票的结果通过了一项动议，允许国会“在总统以国家安全为由决定征收关税时”发挥一定的限制作用。这项动议主要针对加征钢铝关税的232调查，目前尚不具有约束力。动议的主要发起者——共和党参议员鲍勃·科克说，11日的投票只是一小步，他会继续推动进行有约束力的投票。

可以看到，这段文本当中还包含了很多标点符号和数字，显然这不是我们想要的，所以在分词的时候要去掉这些。

2.1 普通分词模式

import jieba
import re
cut_words=[]
for line in open('./text1.txt',encoding='utf-8'):line.strip('\n')line = re.sub("[A-Za-z0-9\：\·\—\，\。\“ \”]", "", line)seg_list=jieba.cut(line,cut_all=False)cut_words.append(" ".join(seg_list))
print(cut_words)>> 结果['央视网 消息 当地 时间 日 美国国会参议院 以票 对票 的 结果 通过 了
一项 动议 允许 国会 在 总统 以 国家 安全 为 由 决定 征收 关税 时 发挥
一定 的 限制 作用 这项 动议 主要 针对 加征 钢铝 关税 的 调查 目前 尚
不 具有 约束力 动议 的 主要 发起者 共和党 参议员 鲍勃 科克 说 日 的
投票 只是 一 小步 他会 继续 推动 进行 有 约束力 的 投票']

2.1 全分词模式

import jieba
import re
cut_words=[]
for line in open('./text1.txt',encoding='utf-8'):line.strip('\n')line = re.sub("[A-Za-z0-9\：\·\—\，\。\“ \”]", "", line)seg_list=jieba.cut(line,cut_all=True)cut_words.append(" ".join(seg_list))
print(cut_words)>> 结果['央视 央视网 视网 消息 当地 时间 日 美国 美国国会 美国国会参议院 国会 参议
参议院 议院 以 票 对 票 的 结果 通过 了 一项 动议 允许 许国 国会 在 总统 以国家 家安 安全 为 由 决定 征收 关税 时 发挥 一定 的 限制 制作 作用 这项
动议 的 主要 发起 发起者 共和 共和党 党参 参议 参议员 议员 鲍 勃 科克 说
日 的 投票 只是 一小 小步 他 会 继续 推动 进行 有 约束 约束力 的 投票']

3.词频统计

做词频统计需要用到另外一个包collection中的Counter计数器（如果没有自行安装，安装方法同jieba一样）。但是需要注意的是，像上面那样分词后的形式不能做词频统计，因为Counter是将list中的一个元素视为一个词，所以在上面要略微修改。

import jieba
import re
from collections import Counter
cut_words=""
for line in open('./text1.txt',encoding='utf-8'):line.strip('\n')line = re.sub("[A-Za-z0-9\：\·\—\，\。\“ \”]", "", line)seg_list=jieba.cut(line,cut_all=False)cut_words+=(" ".join(seg_list))
all_words=cut_words.split()
print(all_words)
c=Counter()
for x in all_words:if len(x)>1 and x != '\r\n':c[x] += 1print('\n词频统计结果：')
for (k,v) in c.most_common(2):# 输出词频最高的前两个词print("%s:%d"%(k,v))>> 结果['央视网', '消息', '当地', '时间', '日', '美国国会参议院', '以票',
'对票', '的', '结果', '通过', '了', '一项', '动议', '允许', '国会','在', '总统', '以', '国家', '安全', '为', '由', '决定', '征收', '主要', '针对', '加征', '钢铝', '关税', '的', '调查', '目前', '尚', '参议员', '鲍勃', '科克', '说', '日', '的', '投票', '只是', '一', '小步', '他会', '继续', '推动', '进行', '有', '约束力', '的', '投票']词频统计结果：
动议:3
关税:2

4.添加自定义分词规则

什么叫添加自定义规则呢？比如下面这个词：“南京市”。

import jieba
jieba.load_userdict('../data/user_cut_dic.txt')
str = "南京市"
r = jieba.cut(str,cut_all=False)
temp = ' '.join(r)
print(temp)

jieba默认会将它看成一个整体。明显这也是大多数情况下我们期望的结果，但真的就不会有“南京”和“市”这种分词方式吗？

jieba提供了两种方式来解决：

第一种：导入用户自定义的分词样例（就像是自定义停用词一样）的本地文件；
比如在此处，我在../data/user_cut_dic.txt中添加了如下样例：

南京 999999999

得到了如下结果：“南京市”，其中后面的数字是倾向于这种分词的权重（比重），中间用一个空格隔开。

第二种：在代码中添加分词建议；

import jieba
jieba.suggest_freq(('南京',"市"), True)
str = "南京市"
r = jieba.cut(str,cut_all=False)
temp = ' '.join(r)
print(temp)

更多内容欢迎扫码关注公众号月来客栈！

利用jieba进行中文分词并进行词频统计相关推荐

python利用jieba实现中文分词
jieba是一款强大的python第三方中文分词库.目前jieba已经支持四种分词模式: 精确模式:试图将句子最精确地切开,不存在冗余数据,适合文本分析. 全模式:把句子中所有的可以成词的词语都扫描出 ...
【python 走进NLP】利用jieba技术中文分词并写入txt
简单介绍: 近年来,随着NLP自然语言处理技术的日益成熟,开源实现的分词工具也越来越多,比如NLTK:其在英文分词较为成熟,分词效果较好,在处理中文分词方面则显得力不足:在处理中文分词时,Jieba这 ...
利用python绘制简易词云图（使用jieba进行中文分词）
词云(wordcloud)图能过滤掉大量的文本信息,使我们能抓住问题的集中点(一般集中点就是经常提到的点,也就是词频数会比较高).其实制作词云没什么技术含量,主要就是将用于绘制词云的所有词都传给软件, ...
Python第三方库jieba（中文分词）入门与进阶（官方文档）
jieba "结巴"中文分词:做最好的 Python 中文分词组件 github:https://github.com/fxsjy/jieba 特点支持三种分词模式: 精确模式, ...
Py之jieba：Python包之jieba包(中文分词最好的组件)简介、安装、使用方法之详细攻略
Py之jieba:Python包之jieba包(中文分词最好的组件)简介.安装.使用方法之详细攻略目录 jieba简介 jieba安装 jieba使用方法 1.进行分词 jieba简介 jieba应 ...
python 对excel文件进行分词并进行词频统计_python 词频分析
python词频分析昨天看到几行关于用 python 进行词频分析的代码,深刻感受到了 python 的强大之处.(尤其是最近自己为了在学习 c 语言感觉被它的语法都快搞炸了,python 从来没有 ...
[python] 使用Jieba工具中文分词及文本聚类概念
前面讲述了很多关于Python爬取本体Ontology.消息盒InfoBox.虎扑图片等例子,同时讲述了VSM向量空间模型的应用.但是由于InfoBox没有前后文和语义概念,所以效果不是很好,这篇文章 ...
手把手教你用Jieba做中文分词
导读:近年来,随着NLP技术日益成熟,开源实现的分词工具越来越多,如Ansj.HanLP.盘古分词等.本文我们选取了Jieba进行介绍. 作者:杜振东涂铭来源:大数据DT(ID:hzdashuju ...
jieba分词_wordcloud词云美化——jieba结巴中文分词（将长句拆分）
大家好,上一篇文章<五行代码上手WordCloud词云--用一个重复的单词做一个单词云>已经带大家初步认识了词云的基本制作流程,本节教大家如何对长句进行拆分制作词云: 首先我们来了解这张图 ...
[Python知识图谱] 三.Jieba工具中文分词、添加自定义词典及词性标注详解
本系列文章主要结合Python语言实现知识图谱构建相关工程,具有一定创新性和实用性,非常希望各位博友交流讨论,相互促进成长.前面两篇文章详细讲解了哈工大Pyltp工具,包括中文分词.词性标注.实体识别 ...

利用jieba进行中文分词并进行词频统计

利用jieba进行中文分词并进行词频统计相关推荐

最新文章

热门文章