jieba中文分词

序言

jieba是目前最好的Python中文分词组件,它主要有以下3种特性:

  • 支持3种分词模式:精确模式、全模式、搜索引擎模式
  • 支持繁体字
  • 支持自定义词典
# 导入 jieba
import jieba		
import jieba.posseg as pseg			# 词性标注
import jieba.analyse as anls		# 关键词提取

分词

可使用jieba.cutjieba.cut_for_search方法进行分词,两者所返回的结果都是一个可迭代的generator,可使用for循环来获得分词后得到的每一个词语(unicode),或者直接使用jieba.lcut以及jieba.lcut_for_search直接返回list。其中:

  • jieba.cutjieba.lcut接受3个参数:
    • 需要分词的字符串(unicode或UTF-8字符串、GBK字符串)
    • cut_all参数:是否使用全模式,默认值为False
    • HMM参数:用来控制是否使用HMM模型,默认值为True
  • jieba.cut_for_searchjieba.lcut_for_search接受2个参数:
    • 需要分词的字符串(unicode或UTF-8字符串、GBK字符串)
    • HMM参数:用来控制是否使用HMM模型,默认值为True

尽量不要使用GBK字符串,可能无法预料的错误解码成UTF-8

全模式

seg_list = jieba.cut("他来到上海交通大学",cut_all = True)
print("【全模式】:" + "/".join(seg_list))

【全模式】:他/来到/上海/上海交通大学/交通/大学

精确模式

seg_list = jieba.cut("他来到上海交通大学",cut_all = False) 
# cut_all默认值为False,所以不提供该参数与设置为False效果一样,都是使用精确模式
print(type(seg_list))

print("【精确模式】:" + "/".join(seg_list))

【精确模式】:他/来到/上海交通大学

 # 返回列表
seg_list = jieba.lcut("他来到上海交通大学",cut_all = True)
print(type(seg_list))

print("【返回列表】:{0}".format(seg_list))

【返回列表】:[‘他’, ‘来到’, ‘上海’, ‘上海交通大学’, ‘交通’, ‘大学’]

搜索引擎模式

seg_list = jieba.cut_for_search("他毕业于上海交通大学机电系,后来在一机部上海电器科学研究所工作")
print(type(seg_list))

print("【搜索引擎模式】:" + "/".join(seg_list))

【搜索引擎模式】:他/毕业/于/上海/交通/大学/上海交通大学/机电/系/,/后来/在/一机部/上海/电器/科学/研究/研究所/工 作

 # 返回列表
seg_list = jieba.lcut_for_search("他毕业于上海交通大学机电系,后来在一机部上海电器科学研究所工作")
print(type(seg_list))

print("【返回列表】:{0}".format(seg_list))

【返回列表】:[‘他’, ‘毕业’, ‘于’, ‘上海’, ‘交通’, ‘大学’, ‘上海交通大学’, ‘机电’, ‘系’, ‘,’, ‘后来’, ‘在’, ‘一 机部’, ‘上海’, ‘电器’, ‘科学’, ‘研究’, ‘研究所’, ‘工作’]

HMM模型

HMM模型,即隐马尔可夫模型(Hidden Markov Model,HMM),是一种基于概率的统计分析模型,用来描述一个系统隐性状态的转移和隐性状态的表现概率。在jieba中,对于未登录到词库的词,使用了基于汉字成词能力的HMM模型和Viterbi算法,其大致原理是:

采用四个隐含状态,分别表示为单字成词,词组的开头,词组的中间,词组的结尾。通过标注号的分词练集,可以得到HMM的各个参数,然后使用Viterbi算法来解释测试集,得到分词结果。

seg_list = jieba.cut("他来到了网易杭研大厦",HMM = False) #默认精确模式和关闭HMM
print("【未启用HMM】:" + "/".join(seg_list))

【未启用HMM】:他/来到/了/网易/杭/研/大厦

seg_list = jieba.cut("他来到了网易杭研大厦",HMM = True) #默认精确模式和启用HMM
print("【启用HMM】:" + "/".join(seg_list))

【启用HMM】:他/来到/了/网易/杭研/大厦

繁体字分词

jieba还支持对繁体字进行分词

ft_text = """人生易老天難老 歲歲重陽 今又重陽 戰地黃花分外香 壹年壹度秋風勁 不似春光 勝似春光 寥廓江天萬裏霜 """
# 全模式
print("【全模式】:" + "/".join(jieba.cut(ft_text,cut_all=True)))

【全模式】:人生/易/老天/難/老// //歲/歲/重/陽// //今/又/重/陽// //戰/地/黃/花/分外/香// //壹年/壹/度/秋/風/勁// //不似/春光// //勝/似/春光// //寥廓/江天/萬/裏/霜// /

# 精确模式
print("【精确模式】:" + "/".join(jieba.cut(ft_text,cut_all=False)))

【精确模式】:人生/易/老天/難老/ /歲/歲/重陽/ /今/又/重陽/ /戰地/黃/花/分外/香/ /壹年/壹度/秋風勁/ /不/似/春光/ /勝似/春光/ /寥廓/江天/萬/裏/霜/

# 搜索引擎模式
print("【搜索引擎模式】:" + "/".join(jieba.cut_for_search(ft_text)))

【搜索引擎模式】:人生/易/老天/難老/ /歲/歲/重陽/ /今/又/重陽/ /戰地/黃/花/分外/香/ /壹年/壹度/秋風勁/ /不/似/春 光/ /勝似/春光/ /寥廓/江天/萬/裏/霜/

添加自定义词典

开发者可以指定自定义词典,以便包含jieba词库里没有的词,词典格式如下:

词语 词频(可省略) 词性(可省略)

虽然jieba有新词识别能力,但自行添加新词可以保证更高的正确率

载入词典

使用jieba.load_userdict(file_name)即可载入词典;filename为文件类对象或自定义词典的路径。

sample_text = "周大福是创新办主任也是云计算方面的专家"

# 未加载词典
print("【未加载词典:】" + '/'.join(jieba.cut(sample_text)))

【未加载词典:】周大福/是/创新/办/主任/也/是/云/计算/方面/的/专家

# 载入词典
jieba.load_userdict("userdict.txt")
# 加载词典后
print("【加载词典后】:" + '/'.join(jieba.cut(sample_text)))

【加载词典后】:周大福/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 方面/ 的/ 专家

调整词典

使用add_word(word,freq=None,tag=None)del_word(word)在程序中动态修改词典。

jieba.add_word('石墨烯') #增加自定义词语
jieba.add_word('凯特琳',freq=42,tag='nz') #设置词频和词性
jieba.del_word('自定义词')  #删除自定义词语

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。

 # 调节词频前
print("【调节词频前】:" + '/'.join(jieba.cut('如果放到post中将出错。',HMM=False)))

【调节词频前】:如果/放到/post/中将/出错/。

# 调节词频
jieba.suggest_freq(('中','将'),True)

494

# 调节词频后
print("【调节词频后】:" + '/'.join(jieba.cut('如果放到post中将出错。',HMM=False)))

【调节词频后】:如果/放到/post/中/将/出错/。

关键词提取

jieba提供了两种关键词提取方法,分别基于 TF-IDF 算法和 TextRank 算法。

基于 TF-IDF 算法的关键词提取

TF-IDF(Term Frequency-Inverse Document Frequency, 词频-逆文件频率)是一种统计方法,用以评估一个词语对于一个文件集或一个语料库中的一份文件的重要程度,其原理可概括为:

一个词语在一篇文章中出现次数越多,同时在所有文档中出现次数越少,越能够代表该文章

计算公式:
T F − I D F = T F ∗ I D F TF - IDF = TF * IDF TFIDF=TFIDF

其中:

  • TF(term frequency, TF):词频,某一个给定的词语在该文件中出现的次数,计算公式:

T F w = 在 某 一 类 中 词 条 w 出 现 的 次 数 该 类 中 所 有 的 词 条 数 目 TF_w = \frac{在某一类中词条w出现的次数}{该类中所有的词条数目} TFw=w

  • IDF(inverse document frequency, IDF):逆文件频率,如果包含词条的文件越少,则说明词条具有很好的类别区分能力,计算公式:

I D F = l o g ( 语 料 库 的 文 档 总 数 包 含 词 条 w 的 文 档 数 + 1 ) IDF = log(\frac{语料库的文档总数}{包含词条w的文档数+1}) IDF=log(w+1)

通过jieba.analyse.extract_tags方法可以基于 TF-IDF 算法进行关键词提取,该方法共有4个参数:

  • 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: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
s = "此外,公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元,增资后,吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年,实现营业收入0万元,实现净利润-139.13万元。"
for x, w in anls.extract_tags(s, topK=20, withWeight=True):
    print('%s %s' % (x, w))

欧亚 0.7300142700289363
吉林 0.659038184373617
置业 0.4887134522112766
万元 0.3392722481859574
增资 0.33582401985234045
4.3 0.25435675538085106
7000 0.25435675538085106
2013 0.25435675538085106
139.13 0.25435675538085106
实现 0.19900979900382978
综合体 0.19480309624702127
经营范围 0.19389757253595744
亿元 0.1914421623587234
在建 0.17541884768425534
全资 0.17180164988510638
注册资本 0.1712441526
百货 0.16734460041382979
零售 0.1475057117057447
子公司 0.14596045237787234
营业 0.13920178509021275

使用jieba.analyse.TFIDF(idf_path=None)可以新建TFIDF实例,其中idf_path为IDF频率文件。

基于 TextRank算法的关键词提取

TextRank是另一种关键词提取算法,基于大名鼎鼎的PageRank,其原理可参见论文——http://web.eecs.umich.edu/~mihalcea/papers/mihalcea.emnlp04.pdf

通过jieba.analyse.testrank方法可以使用基于 TextRank 算法的关键词提取,其与jieba.analyse.extract_tags有一样的参数,但前者默认过滤词性(allowPOS=('ns','n','vn','v'))。

for x, w in anls.textrank(s, withWeight=True):
    print('%s %s' % (x, w))	

吉林 1.0
欧亚 0.9966893354178172
置业 0.6434360313092776
实现 0.5898606692859626
收入 0.43677859947991454
增资 0.4099900531283276
子公司 0.35678295947672795
城市 0.34971383667403655
商业 0.34817220716026936
业务 0.3092230992619838
在建 0.3077929164033088
营业 0.3035777049319588
全资 0.303540981053475
综合体 0.29580869172394825
注册资本 0.29000519464085045
有限公司 0.2807830798576574
零售 0.27883620861218145
百货 0.2781657628445476
开发 0.2693488779295851
经营范围 0.2642762173558316

使用jieba.analyse.TextRank()可以新建自定义 TextRank 实例。

自定义语料库

关键词提取所使用逆向文件频率(IDF)文本语料库和停止词(Stop Words)文本语料库可以切换成自定义语料库的路径。

jieba.analyse.set_stop_words("stop_words.txt")
jieba.analyse.set_idf_path("idf.txt.big")
for x, w in anls.extract_tags(s, topK=20, withWeight=True):
    print('%s %s' % (x, w))

吉林 1.0174270215234043
欧亚 0.7300142700289363
增资 0.5087135107617021
实现 0.5087135107617021
置业 0.4887134522112766
万元 0.3392722481859574
此外 0.25435675538085106
全资 0.25435675538085106
有限公司 0.25435675538085106
4.3 0.25435675538085106
注册资本 0.25435675538085106
7000 0.25435675538085106
增加 0.25435675538085106
主要 0.25435675538085106
房地产 0.25435675538085106
业务 0.25435675538085106
目前 0.25435675538085106
城市 0.25435675538085106
综合体 0.25435675538085106
2013 0.25435675538085106

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。

标注句子分词后的每个词的词性,采用和ictcals兼容的标记法。

words = pseg.cut("他改变了中国")
for word, flag in words:
    print("{0} {1}".format(word, flag))

他 r
改变 v
了 ul
中国 ns

并行分词

将目标文本按行分隔后,把各行文本分配到多个Python进程并行分词,然后归并结果,从而获得分词速度的客观提升。用法:

  • jieba.enable_parallel(4):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

注意:基于 python 自带的 multiprocessing 模块,目前暂不支持 Windows

返回词语在原文的起止位置

使用jieba.tokenize方法可以返回词语在原文的起止位置。

注意:输入参数只接受unicode

result = jieba.tokenize(u'上海益民食品一厂有限公司')
print("【普通模式】")
for tk in result:
    print("word:{0} \t start:{1} \t end:{2}".format(tk[0],tk[1],tk[2]))

【普通模式】

word:上海 start:0 end:2
word:益民 start:2 end:4
word:食品 start:4 end:6
word:一厂 start:6 end:8
word:有限公司 start:8 end:12

result = jieba.tokenize(u'上海益民食品一厂有限公司',mode="search")
print("【搜索模式】")
for tk in result:
    print("word:{0} \t start:{1} \t end:{2}".format(tk[0],tk[1],tk[2]))

【搜索模式】

word:上海 start:0 end:2
word:益民 start:2 end:4
word:食品 start:4 end:6
word:一厂 start:6 end:8
word:有限 start:8 end:10
word:公司 start:10 end:12
word:有限公司 start:8 end:12

实例

1.1对哈姆雷特文本进行词频统计
def getText():
    txt = open(r"hamlet.txt",'r').read()
    txt = txt.lower()
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_{|}·~’‘':         #将特殊符号均替换为空格
        txt = txt.replace(ch," ")
    return txt

hamletTxt = getText()
words = hamletTxt.split()
counts = {}
for word in words:
    counts[word] = counts.get(word,0) + 1

items = list(counts.items())
items.sort(key = lambda x:x[1], reverse=True)   #按value值排序
for i in range(10):                             #输出前十多的词频
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))

the 1138
and 965
to 754
of 669
you 550
i 542
a 542
my 514
hamlet 462
in 436

1.2《三国演义》人物出场统计
# V1版本
from os import read
import jieba
txt = open(r"threekingdoms.txt","r",encoding="utf-8").read()
words = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    else:
        counts[word] = counts.get(word,0) + 1
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)
for i in range(15):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

曹操 953
孔明 836
将军 772
却说 656
玄德 585
关公 510
丞相 491
二人 469
不可 440
荆州 425
玄德曰 390
孔明曰 390
不能 384
如此 378
张飞 358

可以看出以上的结果中存在着很多不是人名的词频,这需要我们对代码做一些改进。改进版如下:

# V2版
from os import terminal_size
import jieba
excludes = {"将军","却说","荆州","二人","不可","不能","如此","商议","军士","左右","军马","次日","引兵","如何","大喜","天下","东吴"}

txt = open(r"threekingdoms.txt",'r',encoding='utf-8').read()
words = jieba.lcut(txt)
counts = {}
for word in words:
    if len(word) == 1:
        continue
    elif word == "诸葛亮" or word == "孔明曰":
        rword = "孔明"
    elif word == "关公" or word == "云长":
        rword = "关羽"
    elif word == "玄德" or word == "玄德曰":
        rword == "刘备"
    elif word == "孟德" or word == "丞相" or word == "主公":
        rword = "曹操"
    else:
        rword = word
    
    counts[rword] = counts.get(rword,0) + 1

for word in excludes:
    del counts[word]
    
items = list(counts.items())
items.sort(key=lambda x:x[1], reverse=True)
for i in range(10):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word,count))

曹操 1795
孔明 1384
关羽 788
张飞 361
吕布 303
赵云 280
刘备 277
孙权 265
于是 252
今日 244

1.3 利用extract_tags算法对《三国演义》中的关键词进行提取
from os import read
import jieba
import jieba.analyse as anls
txt = open(r"threekingdoms.txt","r",encoding="utf-8").read()
for x, w in anls.extract_tags(txt, topK=20, withWeight=True):
    print('%s %s' % (x, w))

孔明 0.03758532276566071
曹操 0.03691595997415334
玄德 0.026956068237259715
将军 0.02673692163610917
关公 0.025206101530884824
却说 0.02446332750666053
丞相 0.020777068164177157
玄德曰 0.01954516271712038
孔明曰 0.01954516271712038
引兵 0.01898980058244164
云长 0.018232960704155924
荆州 0.018136019538121863
张飞 0.017755511674800408
二人 0.017061952960250298
主公 0.016121368683811123
吕布 0.01529292186862885
赵云 0.014223904044216125
不可 0.013875565783051705
军士 0.013751985052577697
商议 0.013351444143675124

1.4 利用textrank算法对《三国演义》中的关键词进行提取
from os import read
import jieba
import jieba.analyse as anls
txt = open(r"threekingdoms.txt","r",encoding="utf-8").read()
for x, w in anls.textrank(txt, withWeight=True):
    print('%s %s' % (x, w))

将军 1.0
却说 0.847581019581622
丞相 0.5718053633959947
荆州 0.5303375153661818
不能 0.5290785118607801
不可 0.5001642467979682
军士 0.45454238780777795
军马 0.36953009002402293
主公 0.3676381961018778
引兵 0.34890535163745795
商议 0.3238605331150697
东吴 0.3033786183888577
只见 0.3024237420127731
后主 0.2830994654967138
陛下 0.2823911867603753
人马 0.279927492918901
汉中 0.26341749501986467
都督 0.25452786463113664
大喜 0.251798437942011
众将 0.25156001701107994

你可能感兴趣的:(Python项目,python)