jieba库(jieba库的介绍以及分词原理,jieba的三种模式和常用函数,利用Jieba模块进行中文词语的统计)

环境： Python3.6 + windows10

jieba介绍以及分词的原理

1. jieba 是Python中的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

2. jieba 库提供三种分词模式，最简单只需要掌握一个函数

3.jieba库的安装

只需要在cmd 中， pip install jieba

4.. jieba分词的原理

通过中文词库的方式来识别分词的

-- 利用一个中文词库，确定汉字之间的关联概率

-- 通过计算汉字之间的概率，汉字间概率大的组成词组，形成分词结果

-- 除了分词，用户还可以添加自定义的词组

jieba的三种模式以及函数介绍

1.jieba分词的三种模式

精确模式： 把文本精确的切分开，不存在冗余单词（就是切分开之后一个不剩的精确组合）常用

全模式： 把文本中所有可能的词语都扫描出来，有冗余

即：可能有一个文本，可以从不同的角度来切分，变成不同的词语。在全模式下把不同的词语都挖掘出来

搜索引擎模式：在精确模式基础上，对长词语再次切分

2. jieba库的常用函数

(1)精确模式函数 jieba.lcut(str) 返回列表类型
import jieba
"""jieba.lcut(str)"""
s = "中国是一个伟大的国家"
print(jieba.lcut(s))
"""输出结果： ['中国', '是', '一个', '伟大', '的', '国家']"""
(2)全模式 jieba.lcut(str,cut_all=True) 返回列表类型，有冗余
print(jieba.lcut(s,cut_all=True))
"""输出结果：['中国', '国是', '一个', '伟大', '的', '国家']"""
(3) 搜索引擎模式： jieba.lcut_for_search(str) 返回列表类型，有冗余

先按照精确模式进行分词，然后把把比较长的词进行再次分词
s1 = "中华人民共和国是伟大的"
print(jieba.lcut_for_search(s1))
'''
输出结果 ： ['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']
'''
(4) jieba.add_word(str) 向分词词典添加新词 str

jieba使用实例

文本词频的统计：一篇文章中，出现了哪些词？哪些词出现的最多？

1. 首先是英文文本，对照英文的分词，进行中文分词 用到的英文文本的网站网站的文本赋全部赋值下来，然后进行保存，： https://python123.io/resources/pye/hamlet.txt

def getText():txt = open("E:\\\shuju\\hamelet.txt", "r").read()# 文章中的所有单词转化为小写txt = txt.lower()# 使用空格个来替换掉所有的符号for ch in "!\"#$%&()*+,-./:;<>=?@[\\]_'{|}~":txt = txt.replace(ch, " ")return txtdef main():hamletTxt = getText()words = hamletTxt.split()counts = {}for word in words:# 获取键对应的值，如果键不存在，给出默认值0# 获取 每个单词出现的次数counts[word] = counts.get(word, 0) + 1# 把字典的键值对转化为元组，全部存放在列表里面items = list(counts.items())# 进行排序，按照每个元组的第二个值，即字典的值，进行降序排序items.sort(key=lambda x:x[1],reverse=True)# 对降序排序的前10个进行处理，# 格式化输出 ： word: 最低长度为10,不够补空格    counts： 最低长度为5，不够的话补空格# print(items)for i in range(10):word,counts = items[i]print("{0:<10}{1:>5}".format(word,counts))if __name__ == '__main__':main()

运行结果：

the        1143
and         966
to          762
of          669
i           631
you         554
a           546
my          514
hamlet      471
in          451

2.中文的文本进行分析，和英文的相比不同，中文中的有名称、词语成语等

现在只统计三国演义中的人物的出现次数，取出排行前10的人物出现的次数

中文的文本网站：三国演义的片段文本： https://python123.io/resources/pye/threekingdoms.txt

详细看代码的注释

"""人物出场统计"""
import jieba# 读取所有的文件
txt = open("E:\\shuju\\threekingdoms.txt","r",encoding="utf-8").read()
# 使用jieba分词的精确模式
words = jieba.lcut(txt)
counts = {}
'''对进行分词的之后的结果进行处理,解决类似于孔明和诸葛亮是一个人物的问题，给其重新赋值'''
for word in words:# 排除长度为1的if len(word) == 1:continueelif word == "诸葛亮" or word == "孔明曰":rword = "孔明"elif word == "关公" or word == "云长":rword = "关羽"elif word == "玄德" or word == "玄德曰":rword = "刘备"elif word == "孟德" or word == "丞相":rword = "曹操"elif word == "周瑜" or word == "都督":rword = "周瑜"else:rword = word# 统计出场的次数counts[rword] = counts.get(rword,0) + 1
'''因为分词之后,可能不是人物的词要比人物的次数多，所以进行处理，如果统计的结果里面出现了不是人物的结果，就对其进行删除，可以先不进行处理，看看会出现哪些值，然后把这些值放在一个集合里面，然后可以进行相应的删除多次进行运行，然后添加之后，就可以得到想要的结果'''
excludes = {"将军","却说","二人","不可","荆州","不能","如此","商议","如何","主公","军士","左右","军马","引兵","次日","大喜","东吴","天下","于是","今日","不敢","魏兵","陛下","不知","一人","人马","汉中","只见","众将","后主","大叫","上马","蜀兵"}
for ex in excludes:del counts[ex]   # 删除不是人物的值
items = list(counts.items())
# 安装从大到小进行排序
items.sort(key=lambda x:x[1],reverse=True)
# 只要前排序时候出场次数最多的前10个
for i in range(10):word,count = items[i]print("{0:<10}{1:>5}".format(word,count))

运行结果：

曹操         1451
孔明         1383
刘备         1252
关羽          784
周瑜          438
张飞          358
吕布          300
赵云          278
孙权          264
司马懿         221

3.同样的道理，我们可以进行西游记等，还有其他的中文文本的统计，

还有中文的期刊。新闻等，都是可以进行统计的。

jieba库(jieba库的介绍以及分词原理,jieba的三种模式和常用函数,利用Jieba模块进行中文词语的统计)相关推荐

微服务ServiceMesh及三种模式介绍
1. 前言今年,ServiceMesh(服务网格)概念在社区里头非常火,有人提出2018年是ServiceMesh年,还有人提出ServiceMesh是下一代的微服务架构基础.作为架构师,如果你现在 ...
Tomcat运行三种模式:http-bio|http-nio|http-apr介绍
转自<tomcat运行三种模式:http-bio|http-nio|http-apr介绍> Tomcat是一个小型的轻量级应用服务器,也是JavaEE开发人员最常用的服务器之一.不过,许多 ...
unity2D学习（14）血条显示、Canvas中Render Mode的三种模式介绍
1 血条素材处理分割处理:对上一章画出来的血条图片做分割处理整理素材格式: Sprite Mode选择Multiple:因为一张图片包含多个素材. Pixels Per Unit单位像素为16:与 ...
BaiduMap---百度地图官方Demo之路径规划功能（介绍公交，驾车和步行三种线路规划方法和自设路线方法）
<?xml version="1.0" encoding="utf-8"?> <LinearLayout xmlns:android=&quo ...
jieba 分词的三种模式
Jieba 是一个强大的分词库,完美支持中文分词,做为最好的 Python 中文分词组件. 安装:pip install jieba 特点:支持三种分词模式: 1.精确模式,试图将句子精确的分开,适用 ...
简单介绍apache虚拟主机配置的三种方式
本文主要介绍了apache虚拟主机配置的三种方式,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧记事本打开httpd.conf文 ...
介绍SMTP、IMAP、POP三种邮件协议及其功能点
有关于SMTP协议的介绍及其解析:(25端口) SMTP:(英文全称:Simple Mail Transfer Protocol:中文全称:简单邮件传输协议)是一种提供可靠且有效的电子邮件传输的协议. ...
协方差矩阵介绍及C++/OpenCV/Eigen的三种实现
函数f(x)关于某分布P(x)的期望(expectation)或者期望值(expected value)是指,当x由P产生,f作用于x时,f(x)的平均值.对于离散型随机变量,这可以通过求和得到: 对 ...
VMware介绍与网络的三种模式
1.VMware介绍 VMware Workstation(中文名"威睿工作站")是一款功能强大的桌面虚拟计算机软件,提供用户可在单一的桌面上同时运行不同的操作系统,和进行开发.测 ...
概率论中均值、方差、标准差介绍及C++/OpenCV/Eigen的三种实现
概率论是用于表示不确定性声明(statement)的数学框架.它不仅提供了量化不确定性的方法,也提供了用于导出新的不确定性声明的公理.在人工智能领域,概率论主要有两种用途.首先,概率法则告诉我们AI系 ...

jieba库(jieba库的介绍以及分词原理,jieba的三种模式和常用函数,利用Jieba模块进行中文词语的统计)

jieba介绍以及分词的原理

jieba的三种模式以及函数介绍

jieba使用实例

jieba库(jieba库的介绍以及分词原理,jieba的三种模式和常用函数,利用Jieba模块进行中文词语的统计)相关推荐

最新文章

热门文章