---恢复内容开始---

运用jieba库分词

一、jieba库基本介绍

1、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，最简单只需掌握一个函数

2、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

-除了分词，用户还可以添加自定义的词组

3、jieba库使用说明

(1)、jieba分词的三种模式

精确模式、全模式、搜索引擎模式

-精确模式：把文本精确的切分开，不存在冗余单词

-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：在精确模式基础上，对长词再次切分

(2)、jieba库常用函数

二、安装jieba库

点击电脑中的‘开始’，然后在搜索栏中输入‘cmd’,点击‘命令指示符’，出现界面后在输入‘pip install jieba’,刚开始的时候，我的电脑出现了这样的情况，安装不了。

后来在老师的帮助下，就安装成功了。而且在安装其他库的时候也不会再出现第一次的情况。

这样就安装成功啦~~~

三、jieba库的使用用例

1、分词

2、词云

这是我在网上找的词云的一个例子：

1 # 如果您需要使用此代码，os.chdir路经需要指定到txt文本所在路径

2 # 使用zipin函数，需要txt有read()函数可以打开的正确的编码格式

3 # 使用cipin函数需要安装jieba库

4 # 使用word cloud函数需要安装wordcloud与matplotlib库

5 import os

6 import codecs

7 import jieba

8 import pandas as pd

9 from wordcloud import wordcloud

10 from scipy.misc import imread

11 import matplotlib.pyplot as plt

12 os.chdir("/users/zhaohaibo/desktop")

13

14 class hlm(object):

15

16 # —————————————————————

17 # zipin(self, readdoc, writedoc)

18 # readdoc: 要读取的文件名

19 # writedoc:要写入的文件名

20

21 # output

22 # 字频前100，并写入writedoc

23 # —————————————————————

24 def zipin(self, readdoc, writedoc):

25 word_lst = []

26 word_dict = {}

27 exclude_str = "，。！？、()【】<>《》=：+-*—“”…"

28 with open(readdoc,"r") as filein ,open(writedoc,'w') as fileout:

29

30 # 添加每一个字到列表中

31 for line in filein:

32 for char in line:

33 word_lst.append(char)

34

35 # 用字典统计每个字出现的个数

36 for char in word_lst:

37 if char not in exclude_str:

38 if char.strip() not in word_dict: # strip去除各种空白

39 word_dict[char] = 1

40 else :

41 word_dict[char] += 1

42

43 # 排序x[1]是按字频排序，x[0]则是按字排序

44 lstwords = sorted(word_dict.items(), key=lambda x:x[1], reverse=true)

45

46 # 输出结果 (前100)

47 print ('字符\t字频')

48 print ('=============')

49 for e in lstwords[:100]:

50 print ('%s\t%d' % e)

51 fileout.write('%s, %d\n' % e)

52

53

54 # —————————————————————

55 # cipin(self, doc)

56 # doc: 要读取的文件名

57

58 # return:

59 # 词频表(dataframe格式)

60 # —————————————————————

61 def cipin(self, doc):

62 wdict = {}

63 f = open(doc,"r")

64 for line in f.readlines():

65 words = jieba.cut(line)

66 for w in words:

67 if(w not in wdict):

68 wdict[w] = 1

69 else:

70 wdict[w] += 1

71 # 导入停用词表

72 stop = pd.read_csv('stoplist.txt', encoding = 'utf-8', sep = 'zhao', header = none,engine = 'python') #sep:分割符号(需要用一个确定不会出现在停用词表中的单词)

73 stop.columns = ['word']

74 stop = [' '] + list(stop.word) #python读取时不会读取到空格。但空格依旧需要去除。所以加上空格； 读取后的stop是series的结构，需要转成列表

75 for i in range(len(stop)):

76 if(stop[i] in wdict):

77 wdict.pop(stop[i])

78

79 ind = list(wdict.keys())

80 val = list(wdict.values())

81 ind = pd.series(ind)

82 val = pd.series(val)

83 data = pd.dataframe()

84 data['词'] = ind

85 data['词频'] = val

86 return data

87

88 # —————————————————————

89 # ciyun(self, doc)

90 # doc: 要读取的文件名

91

92 # output:

93 # 词云图

94 # —————————————————————

95 def ciyun(self,doc):

96 g = open(doc,"r").read()

97 back_pic = imread("aixin.jpg") # 设置背景图片

98 wc = wordcloud( font_path='/system/library/fonts/stheiti medium.ttc',#设置字体

99 background_color="white", #背景颜色

100 max_words=2000,# 词云显示的最大词数

101 mask=back_pic,#设置背景图片

102 max_font_size=200, #字体最大值

103 random_state=42,

104 ).generate(g)

105 plt.figure(figsize=(64,32))

106 plt.imshow(wc)

107 plt.axis('off')

108 plt.savefig("ciyun.jpg")

109 plt.show()

110

111

112 def main(self,readdoc):

113 # self.zipin(readdoc,writedoc)

114 df = self.cipin(readdoc)

115 #self.ciyun(readdoc)

116 return df

117

118

119 if __name__ == '__main__':

120 hlm = hlm()

121 hlm.zipin("红楼梦.txt","红楼梦字频.txt")

122 df_hlm1 = hlm.main("红楼梦.txt")

123 ---------------------

124 作者：iovebecky