Python数据预处理--文本特征提取（以Jieba工具包为例）

需求场景：

基于分词技术，实现对文本数据中命名实体（如人名、地名等）的提取，或者自动计算文本中的TF(词频)和TF-IDF（词频-逆向文件频率）。

主流工具包：

目前业界主流的分词工具包有“jieba”和“HanLP”等好几种。其中jieba是目前Python社区中最广泛使用的，HanLP作为Java开发的工具包，使用Python调用时需要先加载jpype模块。本文主要介绍Jieba工具，并进行文本特征提取的操作示范。

安装方法：

自动安装： pip install jieba
半自动安装：下载 http://pypi.python.org/pypi/jieba/解压后运行 python setup.py install
手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录
通过 import jieba 来引用

三种分词模式

精确模式：将句子最精确地切开，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来, 速度非常快，但是不能解决歧义；

搜索引擎模式:在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

    # 1 全模式，扫描所有可以成词的词语, 速度非常快，不能解决歧义.seg_list = jieba.cut("我来到四川美术学院", cut_all=True)print("\nFull Mode: " + "/ ".join(seg_list))# 返回 “Full Mode: 我/ 来到/ 四川/ 美术/ 美术学/ 美术学院/ 术学/ 学院”# 2 默认是精确模式，适合文本分析.seg_list = jieba.cut("我来到四川美术学院", cut_all=False)print("\nDefault Mode: " + "/ ".join(seg_list))# 返回“Default Mode: 我/ 来到/ 四川/ 美术学院”# 3 搜索引擎模式,对长词再次切分，提高召回率，适合用于搜索引擎分词。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",HMM=False)print('\n搜索引擎模式：'+", ".join(seg_list))

自定义分词字典

添加自定义词典

    print('\n原文档：\t' + '/'.join(jieba.cut('猫狗应该不会被切开', HMM=False)))# 猫/狗/应该/不会/被/切开print(jieba.suggest_freq('猫狗', True))print('改进文档：\t' + '/'.join(jieba.cut('猫狗应该不会被切开', HMM=False)))# 猫狗/应该/不会/被/切开

加载自定义词典文件

    sys.path.append("../")jieba.load_userdict("../Files/user_dict.txt") # 加载自定义分词词典seg_list1 = jieba.cut("今天很高兴在中国移动和大家交流学习")print('\n\n加载自定义分词词典：\n'+"/ ".join(seg_list1))

词典文件格式：

关键词提取

    '''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 20withWeight 为是否一并返回关键词权重值，默认值为 FalseallowPOS 仅包括指定词性的词，默认值为空，即不筛选'''s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"for x, w in jieba.analyse.extract_tags(s, 10, withWeight=True):print('%s %s' % (x, w))

词性标注

    words = jieba.posseg.cut("我爱北京天安门")for word, flag in words:print('%s %s' % (word, flag))'''我 r爱 v北京 ns天安门 ns'''

词性对照文件：

Python数据预处理--文本特征提取（以Jieba工具包为例）相关推荐

Python数据预处理——格式转换及抽取数据文本信息
课程地址:https://www.imooc.com/learn/1105 1. 数据预处理简介 1.1 什么是数据预处理数据预处理简单来说就是:将原始数据装进一个预处理的黑匣子之后,产生出高质量数 ...
Python数据预处理：机器学习、人工智能通用技术（1）
1 什么是数据预处理数据预处理简而言之就是将原始数据装进一个预处理的黑匣子之后,产生出高质量数据用来适应相关技术或者算法模型.为了大家更明确的了解数据预处理,我们举个新闻分类的例子: 将原始的数据直 ...
python数据处理实例-Python数据预处理实例详解
Python----数据预处理代码实例本文实例为大家分享了Python数据预处理的具体代码,供大家参考,具体内容如下 1.导入标准库 import numpy as np import matplo ...
[Python] 数据预处理(缺失值、异常值、重复值) [相关方法参数说明、代码示例、相关概念]
前言系列文章目录 [Python]目录视频及资料和课件链接:https://pan.baidu.com/s/1LCv_qyWslwB-MYw56fjbDg?pwd=1234 提取码:1234 文 ...
python数据预处理的方法_文本数据预处理的方法
文本数据分析(一):基本框架在文本数据分析基本框架中,我们涉及到了六个步骤: 数据收集数据预处理数据挖掘和可视化模型构建模型评估虽然框架需要迭代,但是我们先将其看作是一个线性的过程: 修正 ...
泰坦尼克号python数据预处理_sklearn preprocessing 数据预处理（OneHotEncoder）
1. one hot encoder one hot encoder 不仅对 label 可以进行编码,还可对 categorical feature 进行编码: >>> from ...
python数据预处理实验_PimaIndiansdiabetes-数据预处理实验（一）
有趣的事,Python永远不会缺席! 一.PimaIndiansdiabetes.csv 数据集介绍 1.该数据集最初来自国家糖尿病/消化/肾脏疾病研究所.数据集的目标是基于数据集中包含的某些诊断测量 ...
python data analysis | python数据预处理（基于scikit-learn模块）
原文:http://www.jianshu.com/p/94516a58314d Dataset transformations| 数据转换 Combining estimators|组合学习器 Fe ...
python数据预处理
最近在看python数据分析与挖掘实战这本书,所以就顺手做个笔记,方便日后忘记了查找.这本书前面五章主要讲的是数据挖掘的建模过程,包括数据探索.数据预处理以及挖掘建模常用算法等几个方面.后面十章是案例 ...
3行代码，Python数据预处理提速6倍！（附链接）
来源:新智元本文约2600字,建议阅读8分钟. 本文介绍了仅需3行代码,将Python数据处理速度提升2~6倍的简单方法. Python是所有机器学习的首选编程语言.它易于使用,并拥有许多很棒的库, ...