Python使用jieba库分词并去除标点符号

相对于英文文本，中文文本挖掘面临的首要问题就是分词，因为中文的词之间没有空格。在Python中可以使用jieba库来进行中文分词。

但是在中文中，标点符号出现的频率也是很高的，在使用jieba库对带有标点符号的汉语句子进行分词时，标点符号出现在分词结果中时，对于后续的文本数据挖掘是一个不利的因素。

本文介绍一段去除标点符号的Python代码。并在Anaconda3的Jupyter Notebook中展现代码的运行结果。

下面的代码，定义一段带有标点符号的文本，并使用jieba库进行分词。代码如下：

import jieba

text = "她说：“我爱死你了！”"

cutwords = list(jieba.cut(text))

cutwords

运行结果如下图所示：

上图中，分词结果列表中有标点符号冒号、逗号、感叹号、左双引号、右双引号等。

使用下面这段代码即可从分词结果中去除标点符号。代码如下：

import jieba

import pandas as pd

text = "她说：“我爱死你了！”"

cutwords = list(jieba.cut(text))

cutwords = pd.Series(cutwords)[pd.Series(cutwords).apply(len)>0] #去除长度为0的词

stopwords=['：','“','！','”']

cutwords = cutwords[~cutwords.isin(stopwords)]

cutwords

上面这段代码主要使用了pandas库中的函数，还定义了停用词列表stopwords，将想要去除的标点符号添加到该列表中。运行结果如下图所示：

 

由程序运行结果可以看出，达到了目的，即去除了分词结果中的标点符号。

相关参考资料：

1. Python手动安装Jieba库（Win11）. https://www.toutiao.com/article/7162528424102789635/?log_from=20632270c7786_1668424596605 .
2. 在Anaconda3使用Jupyter Notebook的简单例子. https://www.toutiao.com/article/7160267285184119333/?log_from=5da6ca35b0bd3_1668424881002 .
3. Python在机器学习中的应用. 余本国, 孙玉林著. 中国水利水电出版社[北京], 2019年6月第一版.