jieba 分词

一.介绍：

jieba:

“结巴”中文分词：做最好的 Python 中文分词组件

“Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module.

完整文档见 :

GitHub: https://github.com/fxsjy/jieba

特点

• 支持三种分词模式：
  • 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。

二.功能介绍及例子

　　1.分词主要功能：

           　 先介绍主要的使用功能，再展示代码输出。jieba分词的主要功能有如下几种：

　　　　　　1. jieba.cut：该方法接受三个输入参数：需要分词的字符串; cut_all 参数用来控制是否采用全模式；HMM参数用来控制是否适用HMM模型

　　　　　　2. jieba.cut_for_search：该方法接受两个参数：需要分词的字符串；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. 待分词的字符串可以是unicode或者UTF－8字符串，GBK字符串。注意不建议直接输入GBK字符串，可能无法预料的误解码成UTF－8，

　　　　　　4. jieba.cut 以及jieba.cut_for_search返回的结构都是可以得到的generator(生成器), 可以使用for循环来获取分词后得到的每一个词语或者使用

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

　　　　　　6. 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。

　　2.简单模式：

　　　　2.1.精确模式（返回结果是一个生成器，对大量数据分词很重要，占内存小）：

 

import jieba

s = '我想大口吃肉大碗喝酒！！！'
cut=jieba.cut(s)
print(cut)
#精确模式
print('精确模式输出：')
print('，'.join(cut))

         输出为：

 

2.2.全模式（返回结果也是生成器，特点是把文本分成尽可能多的词）：

import jieba

s = '我想大口吃肉大碗喝酒！！！'
print('全模式：')
result=jieba.cut(s, cut_all=True)
print(result)
print(' '.join(result))

　　　　输出为：

　2.3.搜索引擎模式：

import jieba

s = '我想大口吃肉大碗喝酒！！！'
print('搜索引擎模式：')
result=jieba.cut_for_search(s)
print(result)
print('，'.join(result))

输出为：

　　2.4：单个字模式：不用jieba，直接用list(sentence)  即可

train_df = pd.read_csv(dir)[:10].Report
def seg(sentence):
    return list(sentence.strip())
word_list = train_df.apply(seg)

》》》
2    [行, 驶, 没, 有, 顿, 挫, 的, 感, 觉, 原, 地, 换, 挡, 有, 闯, ...
3           [举, 起, 车, 辆, 在, 左, 前, 轮, 这, 边, 的, 缸, 体, 上]
4    [家, 庭, 用, 车, 可, 以, 入, 手, 的, 维, 修, 保, 养, 价, 格, ...

3.获取词性：每个词都有其词性，比如名词、动词、代词等，结巴分词的结果也可以带上每个词的词性，要用到jieba.posseg

　　　　 分词及输出词性：

import jieba.posseg as psg

s = '我想大口吃肉大碗喝酒！！！'
print('分词及词性：')
result=psg.cut(s)
print(result)
print([(x.word,x.flag) for x in result])

输出为

　　　　过滤词性，如获取名词： 直接加个条件判断就行了

import jieba.posseg as psg

s = '我想大口吃肉大碗喝酒！！！'
print('分词及词性：')
result=psg.cut(s)
print(result)
#筛选为名词的
print([(x.word,x.flag) for x in result if x.flag=='n'])

　　输出为

　　

　　

4.并行分词：在文本数据量非常大的时候，为了提高分词效率，开启并行分词就很有必要了。jieba支持并行分词，基于python自带的multiprocessing模块，但要注意的是在Windows环境下不支持。

# 开启并行分词模式，参数为并发执行的进程数
jieba.enable_parallel(5)

# 关闭并行分词模式
jieba.disable_parallel()

如：

　　5.获取出现频率Top n的词（有些词无实际意义，可筛选）： Counter.most_common(num)

from collections import Counter
words_total=open('1',encoding='utf-8').read()
c = Counter(words_total).most_common(20)
print (c)

　　6.使用用户字典提高分词准确性：

jieba分词器还有一个方便的地方是开发者可以指定自己的自定义词典，以便包含词库中没有的词，虽然jieba分词有新词识别能力，但是自行添加新词可以保证更高的正确率。

使用命令：

jieba.load_userdict(filename) # filename为自定义词典的路径。在使用的时候，词典的格式和jieba分词器本身的分词器中的词典格式必须保持一致，一个词占一行，每一行分成三部分，一部分为词语，一部分为词频，最后为词性（可以省略），用空格隔开。

　　7.关键词抽取： jieba.analyse,extract_tags   或者   jieba.analyse.textrank

 

 

github：https://github.com/fxsjy/jieba

参考：https://www.baidu.com/s?ie=UTF-8&wd=jieba%20posseg