python 结巴分词学习

结巴分词(自然语言处理之中文分词器)

jieba分词算法使用了基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能生成词情况所构成的有向无环图(DAG), 再采用了动态规划查找最大概率路径,找出基于词频的最大切分组合,对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法。

python 结巴分词学习_第1张图片
python 结巴分词学习

jieba分词支持三种分词模式:

1. 精确模式, 试图将句子最精确地切开,适合文本分析:

2. 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;

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

一 结巴分词的安装

pip3 install jieba

二 结巴分词的主要功能

python 结巴分词学习

1. jieba.cut:该方法接受三个输入参数:
  参数1:需要分词的字符串;
  参数2:cut_all参数用来控制是否采用全模式,默认为精确模式;
cut_all=True 全模式
cut_all=false 精确(默认)模式
  参数3:HMM参数用来控制是否适用HMM模型

python 结巴分词学习

2. jieba.cut_for_search:该方法接受两个参数:
  参数1:需要分词的字符串;
  参数2:是否使用HMM模型,
该方法适用于搜索引擎构建倒排索引的分词,粒度比较细。

3. jieba.cut 以及jieba.cut_for_search
返回的结构都是可以得到的generator(生成器)

4. jieb.lcut 以及 jieba.lcut_for_search
直接返回list

5.jieba.Tokenizer(dictionary=DEFUALT_DICT)
新建自定义分词器,
可用于同时使用不同字典,
jieba.dt为默认分词器,所有全局分词相关函数都是该分词器的映射。

三 结巴分词的三种模式

import jieba
text='赵丽颖主演的正午阳光剧,知否知否应是绿肥红瘦'

1 全模式 cut_all=True

python 结巴分词学习

seq_list=jieba.cut(text,cut_all=True)
print(seq_list) #
print(list(seq_list))
'''
['赵', '丽', '颖', '主演', '的', '正午', '阳光', '剧', '', '', '知', '否', '知', '否', '应', '是', '绿肥', '绿肥红瘦']
'''

python 结巴分词学习

2 精确模式 (默认模式) cut_all =False

python 结巴分词学习

# 02精确模式
seq_list=jieba.cut(text,cut_all=False)
print(list(seq_list))
'''
['赵丽颖', '主演', '的', '正午', '阳光', '剧', ',', '知否', '知否', '应', '是', '绿肥红瘦']
'''

python 结巴分词学习

3 搜索引擎模式 cut_for_search

seq_list=jieba.cut_for_search(text,)
print(list(seq_list))
'''
['赵丽颖', '主演', '的', '正午', '阳光', '剧', ',', '知否', '知否', '应', '是', '绿肥', '绿肥红瘦']
'''

四 自定义分词器(jieba.Tokenizer)

1 创建词典内容的格式

一个词语占一行(分三部分)
格式: 词语 词频 词性
如:张三 5
李四 10 eng

python 结巴分词学习_第2张图片
python 结巴分词学习

2 自定义词典的导入(load_userdict)

python 结巴分词学习

text='赵丽颖主演的正午阳光剧,知否知否应是绿肥红瘦'

自定义词典

jieba.load_userdict('自定义词典.txt')
sep_list=jieba.lcut(text)
print('userdict>>>',sep_list)

python 结巴分词学习

userdict>>> ['赵丽颖', '主演', '的', '正午', '阳光剧', ',', '知否', '知否', '应是', '绿肥红瘦']

五 利用jieba 进行关键词的抽取

1 基于TF-IDF算法的关键词抽取

详解自然语言处理之TF-IDF模型和python实现

2 python 实现关键提取

python 结巴分词学习

jieba.analyse.extract_tags(text,topK=20,withWeight=False,allowPOS=())
'''
text:为待提取的文本;
topK:返回几个TF/IDF权重最大的关键字,默认值为20;
withWeight:是否一并返回关键词权重值,默认False;
'''
jieba.analyse.TFIDF(idf_path=None) #新建tf-idf实例,idf_path为IDF实例

python 结巴分词学习

五 使用结巴的词云实例

1 数据准备

文档:

python 结巴分词学习

死了都要爱.txt

python 结巴分词学习

dream ispossible.txt

图片:(红心.jpg)

python 结巴分词学习_第3张图片
python 结巴分词学习
python 结巴分词学习

# 数据获取
with open('死了都要爱.txt','r',encoding='utf8')as f:
text=f.read()

with open('dream is possible.txt','r',encoding='utf8')as f:

text=f.read()

图片获取

mask=np.array(Image.open('红心.jpg'))

python 结巴分词学习

2 数据清洗

屏蔽不需要的数据和分词

# 数据清洗

屏蔽死了都要爱

STOPWORDS.add('死了都要爱')
sep_list=jieba.lcut(text,cut_all=False)
sep_list=" ".join(sep_list) #转为字符串

自定义画布

python 结巴分词学习

wc=WordCloud(
font_path=font,#使用的字体库
margin=2,
mask=mask,#背景图片
background_color='white', #背景颜色
max_font_size=25,
max_words=200,
stopwords=STOPWORDS, #屏蔽的内容
)

python 结巴分词学习

生成词语,保存图片

wc.generate(text) #制作词云
wc.to_file('新增图片.jpg') #保存到当地文件

3 数据展示

plt.imshow(wc,interpolation='bilinear')
plt.axis('off')
plt.show()

完整代码和效果展示

python 结巴分词学习

完整代码

图片一(未分词):

python 结巴分词学习_第4张图片
python 结巴分词学习

图片二(分词效果)

python 结巴分词学习_第5张图片
python 结巴分词学习
python 结巴分词学习_第6张图片
python 结巴分词学习

你可能感兴趣的:(python 结巴分词学习)