jieba 使用笔记
jieba 使用笔记
- 初始化
- 分词 jieba.cut(sentence, cut_all , HMM)
- 自定义词典
- 词性标注
- 关键词提取
- Tokenize:返回词语在原文的起止位置
- ChineseAnalyzer for Whoosh 搜索引擎
安装: pip 即可
初始化
import jieba
import jieba.posseg # 词性标注
import jieba.analyse # 关键词
from jieba.analyse import ChineseAnalyzer # 搜索引擎
# jieba.initialize() # 手动初始化(可选)
分词 jieba.cut(sentence, cut_all , HMM)
cut_all= 参数用来控制分词模式 False 为精确模式 True为全模式
HMM= 参数用来控制是否使用 HMM 模型用于新词发现
jieba提供3种分词模式:
- 精确模式,试图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。
并行分词(不支持win)
jieba.enable_parallel(2) # 开启并行分词模式,参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式
cut/cut_for_search 返回 generator
lcut/lcut_for_search 返回 list
为print更清晰 易于比较 使用 str.ljust()/center()/rjust()函数实现输出的字符串左对齐、居中、右对齐
default = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦') # 默认模式 默认cut_all=False, HMM=True
hmm = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦', cut_all=False, HMM=True)accurate = jieba.cut('在南京市长江大桥研究生命的起源他来到了网易杭研大厦', cut_all=False, HMM=False) # 精确模式
full = jieba.cut('在南京市长江大桥研究生命的起源', cut_all=True) # 全模式
search = jieba.cut_for_search('在南京市长江大桥研究生命的起源') # 搜索引擎模式default_list = jieba.lcut('在南京市长江大桥研究生命的起源') # 返回list
search_list = jieba.lcut_for_search('在南京市长江大桥研究生命的起源')# jieba.Tokenizer(dictionary=) # 新建分词器
print('default'.rjust(15), "/".join(default))
print('hmm'.rjust(15), "/".join(hmm))print('accurate'.rjust(15), "/".join(accurate))print('full'.rjust(15), "/".join(full))
print('search'.rjust(15), "/".join(search))print('default_list'.rjust(15), default_list)
print('search_list'.rjust(15), search_list)
自定义词典
词典格式:
一词一行 一行:词语 词频(可省)词性(可省) 空格分隔 顺序不可颠倒 UTF-8编码
华能 3 nz
云泥 ns
河势 n
庙沟 ns
使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。
使用 suggest_freq(segment, tune=True) 可调节单个词语的词频,使其能(或不能)被分出来。
注意:自动计算的词频在使用 HMM 新词发现功能时可能无效。
jieba.load_userdict('../Data/dict/30wChinsesSeqDic_clean.txt')
jieba.add_word('加入自定义词')
test_sent1 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent1', "/".join(test_sent1))
jieba.del_word('加入自定义词')
test_sent2 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent2', "/".join(test_sent2))
jieba.suggest_freq('研究生命', True)
test_sent3 = jieba.cut('在南京市长江大桥研究生命的起源和加入自定义词')
print('test_sent3', "/".join(test_sent3))
词性标注
jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器,tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
标注句子分词后每个词的词性,采用和 ictclas 兼容的标记法。
返回 generator
words = jieba.posseg.cut('在南京市长江大桥研究生命的起源')
[print(word, flag) for word, flag in words]
关键词提取
两种方式:
- TF-IDF :
jieba.analyse.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 20
withWeight 为是否一并返回关键词权重值,默认值为 False
allowPOS 仅包括指定词性的词,默认值为空,即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件 - TextRank :
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’))
直接使用,接口相同,注意默认过滤词性。
jieba.analyse.TextRank() 新建自定义 TextRank 实例
tf_tags = jieba.analyse.extract_tags('在南京市长江大桥研究生命的起源', topK=5, withWeight=True, allowPOS=())
[print(keyword, withWeight) for keyword, withWeight in tf_tags]
print('\n')
# jieba.analyse.set_idf_path('file_name') # file_name为自定义 逆向文件频率(IDF)文本语料库 的路径
# jieba.analyse.set_stop_words(file_name) # file_name为自定义 停止词(Stop Words)文本语料库 的路径
tr_tags = jieba.analyse.textrank('在南京市长江大桥研究生命的起源', topK=5, withWeight=True, allowPOS=('ns', 'n', 'vn', 'v'))
[print(keyw, Weight) for keyw, Weight in tr_tags]
Tokenize:返回词语在原文的起止位置
注意,输入参数只接受 unicode
有默认模式与搜索模式
words_locat = jieba.tokenize('研究生命起源', mode='default', HMM=False)
[print("word %s\t\t start: %d \t\t end:%d" % (w[0].rjust(10), w[1], w[2])) for w in words_locat]words_locat_search = jieba.tokenize('研究生命起源', mode='search', HMM=False)
[print("word %s\t\t start: %d \t\t end:%d" % (w[0].rjust(10), w[1], w[2])) for w in words_locat_search]
ChineseAnalyzer for Whoosh 搜索引擎
简单测试下
analyzer = ChineseAnalyzer()
[print(t.text) for t in analyzer("在南京市长江大桥研究生命的起源")]
print(analyzer)
# Out[]
# CompositeAnalyzer(ChineseTokenizer(), LowercaseFilter(), StopFilter(stops=frozenset({'that', 'or', 'with', 'for', 'if', '了', 'and', 'a', 'you', 'have', 'from', 'is', 'may', 'in', 'we', 'as', 'of', 'us', 'tbd', 'when', 'by', 'it', 'this', 'on', 'can', 'the', 'yet', 'not', 'at', '和', 'an', 'are', 'to', 'your', 'will', '的', 'be'}), min=1, max=None, renumber=True), StemFilter(stemfn=<function stem at 0x00000198D106F510>, lang=None, ignore=frozenset(), cachesize=50000, _stem=<function stem at 0x00000198D1090EA0>))
jieba 使用笔记相关推荐
- 中文分词jieba学习笔记
中文分词jieba学习笔记 一.分词模式 二.自定义词典 2.1 命令 2.2 使用方式 三.关键词抽取(基于TF-IDF算法) 3.1 用jieba.analyse.extract_tags() 3 ...
- python笔记:jieba(中文分词)
1 精确模式与全模式分割 import jiebatxt = '北京大学创办于1898年,初名京师大学堂,是中国第一所国立综合性大学.' word_list = jieba.lcut(txt) # 精 ...
- 【自然语言处理】-jieba库学习笔记(一)
jieba.cut import jiebaL = list(jieba.cut('大家好,我是勤奋努力的野指针')) 分词效果还是很不错滴 ['大家', '好', ',', '我', '是', ' ...
- Data Mining Machine Learning学习笔记 机器学习入门笔记 之jieba分词(中文分词)(二)
第二章 Rationlism & Empiricism 理性主义和经验主义 Rationalism (按照人类的方式进行处理,做词法,语法,语义分析) Natural Language Pro ...
- Python第三方库jieba以及wordcloud学习笔记
jieba库 jieba库是具有强大分词功能的第三方库.在中文文本分词中具有较好的应用表现.工作机制为 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 除了系统给定分词 ...
- python学习笔记目录
人生苦短,我学python学习笔记目录: week1 python入门week2 python基础week3 python进阶week4 python模块week5 python高阶week6 数据结 ...
- 快速检索并引用你在CSDN上所有的博文笔记
简 介: 利用CSDN提供的博文的列表,编写了一个快速检索自己博文,并自动插入索引连接的程序.这样就可以大大提高博文写作的效率,将之前记录学习.工作的内容更好的进行连接.最后,感谢CSDN技术人员的大 ...
- 【NLP】jieba分词-Python中文分词领域的佼佼者
1. jieba的江湖地位 NLP(自然语言)领域现在可谓是群雄纷争,各种开源组件层出不穷,其中一支不可忽视的力量便是jieba分词,号称要做最好的 Python 中文分词组件. "最好的& ...
- 【NLP】利用jieba对网易云音乐的评论进行词云分析
这是一篇代码文章,因为所有的文字将会以类似注释的方式进行叙述,文字是对代码的补充说明和解读. 这是一篇避坑文章,尤其对于新人来说,这些坑你一定会遇到,希望你不会犯下跟我一样的问题,从另一个角度来讲,你 ...
- 深度学习者的入门福利-Keras深度学习笔记
Keras深度学习笔记 最近本人在github上发现一个不错的资源,是利用keras来学习深度学习的笔记,笔记内容充实,数据完善,本人亲自实操了里面的所有例子,深感收获颇丰,今天特意推荐给大家,希望能 ...
最新文章
- adb logcat命令查看并过滤android输出log
- RobotFrameWork控制流之if语句——Run Keyword If
- mongodb修改数据语句_mongodb之一些简单的增删改查语句
- oracle元数据存储在表空间,oracle db中数据和元数据的概念
- MongoDB(课时30 $group)
- solr文档索引最佳实践
- ABAP的数据字典DDIC和Hybris Commerce的类型系统Type system
- 三相滤波器怎么接线_单相电机和三相电机怎么接线?为什么三相电机有3或6个接线柱?...
- Monkey使用遇到的问题集合
- 15b万用表怎么测电容_指针式万用表和数字式万用表的使用与口诀,值得收藏!...
- 简单的Python少儿编程
- [唯一分解定理]感谢ZLY讲解
- 倡议书格式范文_倡议书的格式及范文
- 第10 章 量化的项目管理
- Unity 2D骨骼动画2:创建真实动画
- android app数据电脑,Android APP连接电脑数据库(以SQL Server为例)
- PPC气箱脉冲除尘器
- shell终端多目录间快速cd工具
- 华天软件SiNOVATION 几何造型内核CRUX IV官方介绍信息
- JAVA版微信机器人(非公众号)【L】