腳本之家服務器常用軟件

快捷導航

python中文分詞庫jieba使用方法詳解

更新時間：2020年02月11日 13:54:25 作者：基基偉

這篇文章主要介紹了python中文分詞庫jieba使用方法詳解,需要的朋友可以參考下

安裝python中文分詞庫jieba

法1：Anaconda Prompt下輸入conda install jieba

法2：Terminal下輸入pip3 install jieba

1、分詞

1.1、CUT函數(shù)簡介

cut(sentence, cut_all=False, HMM=True)

返回生成器，遍歷生成器即可獲得分詞的結(jié)果

lcut(sentence)

返回分詞列表

import jieba
sentence = '我愛自然語言處理'
# 創(chuàng)建【Tokenizer.cut 生成器】對象
generator = jieba.cut(sentence)
# 遍歷生成器，打印分詞結(jié)果
words = '/'.join(generator)
print(words)

打印結(jié)果

我/愛/自然語言/處理

import jieba
print(jieba.lcut('我愛南海中學'))

打印結(jié)果

[‘我', ‘愛', ‘南海中學']

1.2、分詞模式

精確模式：精確地切開

全模式：所有可能的詞語都切出，速度快

搜索引擎模式：在精確模式的基礎上，對長詞再次切分

import jieba
sentence = '訂單數(shù)據(jù)分析'
print('精準模式：', jieba.lcut(sentence))
print('全模式：', jieba.lcut(sentence, cut_all=True))
print('搜索引擎模式：', jieba.lcut_for_search(sentence))

打印結(jié)果

精準模式： [‘訂單', ‘數(shù)據(jù)分析']

全模式： [‘訂單', ‘訂單數(shù)', ‘單數(shù)', ‘數(shù)據(jù)', ‘數(shù)據(jù)分析', ‘分析']

搜索引擎模式： [‘訂單', ‘數(shù)據(jù)', ‘分析', ‘數(shù)據(jù)分析']

1.3、詞性標注

jieba.posseg
import jieba.posseg as jp
sentence = '我愛Python數(shù)據(jù)分析'
posseg = jp.cut(sentence)
for i in posseg:
 print(i.__dict__)
 # print(i.word, i.flag)

打印結(jié)果

{‘word': ‘我', ‘flag': ‘r'}
{‘word': ‘愛', ‘flag': ‘v'}
{‘word': ‘Python', ‘flag': ‘eng'}
{‘word': ‘數(shù)據(jù)分析', ‘flag': ‘l'}

詞性標注表

標注	解釋	標注	解釋	標注	解釋
a	形容詞	mq	數(shù)量詞	tg	時語素
ad	副形詞	n	名詞	u	助詞
ag	形語素	ng	例：義乳亭	ud	例：得
an	名形詞	nr	人名	ug	例：過
b	區(qū)別詞	nrfg	也是人名	uj	例：的
c	連詞	nrt	也是人名	ul	例：了
d	副詞	ns	地名	uv	例：地
df	例：不要	nt	機構(gòu)團體	uz	例：著
dg	副語素	nz	其他專名	v	動詞
e	嘆詞	o	擬聲詞	vd	副動詞
f	方位詞	p	介詞	vg	動語素
g	語素	q	量詞	vi	例：沉溺于等同于
h	前接成分	r	代詞	vn	名動詞
i	成語	rg	例：茲	vq	例：去浄去過唸過
j	簡稱略語	rr	人稱代詞	x	非語素字
k	后接成分	rz	例：這位	y	語氣詞
l	習用語	s	處所詞	z	狀態(tài)詞
m	數(shù)詞	t	時間詞	zg	例：且丗丟

1.4、詞語出現(xiàn)的位置

jieba.tokenize(sentence)
import jieba
sentence = '訂單數(shù)據(jù)分析'
generator = jieba.tokenize(sentence)
for position in generator:
 print(position)

打印結(jié)果

(‘訂單', 0, 2)
(‘數(shù)據(jù)分析', 2, 6)

2、詞典

2.1、默認詞典

import jieba, os, pandas as pd
# 詞典所在位置
print(jieba.__file__)
jieba_dict = os.path.dirname(jieba.__file__) + r'\dict.txt'
# 讀取字典
df = pd.read_table(jieba_dict, sep=' ', header=None)[[0, 2]]
print(df.head())
# 轉(zhuǎn)字典
dt = dict(df.values)
print(dt.get('暨南大學'))

2.2、添詞和刪詞

往詞典添詞

add_word(word, freq=None, tag=None)

往詞典刪詞，等價于add_word(word, freq=0)

del_word(word)

import jieba
sentence = '天長地久有時盡，此恨綿綿無絕期'
# 添詞
jieba.add_word('時盡', 999, 'nz')
print('添加【時盡】：', jieba.lcut(sentence))
# 刪詞
jieba.del_word('時盡')
print('刪除【時盡】：', jieba.lcut(sentence))

打印結(jié)果

添加【時盡】： [‘天長地久', ‘有', ‘時盡', ‘，', ‘此恨綿綿', ‘無', ‘絕期']

刪除【時盡】： [‘天長地久', ‘有時', ‘盡', ‘，', ‘此恨綿綿', ‘無', ‘絕期']

2.3、自定義詞典加載

新建詞典，按照格式【單詞詞頻詞性】添詞，以UTF-8編碼保存

使用函數(shù)load_userdict加載詞典

import os, jieba
# 創(chuàng)建自定義字典
my_dict = 'my_dict.txt'
with open(my_dict, 'w', encoding='utf-8') as f:
 f.write('慕容紫英 9 nr\n云天河 9 nr\n天河劍 9 nz')
# 加載字典進行測試
sentence = '慕容紫英為云天河打造了天河劍'
print('加載前：', jieba.lcut(sentence))
jieba.load_userdict(my_dict)
print('加載后：', jieba.lcut(sentence))
os.remove(my_dict)

打印結(jié)果

加載前： [‘慕容', ‘紫英為', ‘云', ‘天河', ‘打造', ‘了', ‘天河', ‘劍']

加載后： [‘慕容紫英', ‘為', ‘云天河', ‘打造', ‘了', ‘天河劍']

2.4、使單詞中的字符連接或拆分

suggest_freq(segment, tune=False)

import jieba
sentence = '上窮碧落下黃泉，兩處茫茫皆不見'
print('修正前：', ' | '.join(jieba.cut(sentence)))
jieba.suggest_freq(('落', '下'), True)
print('修正后：', ' | '.join(jieba.cut(sentence)))

打印結(jié)果

修正前：上窮 | 碧 | 落下 | 黃泉 | ， | 兩處 | 茫茫 | 皆 | 不見

修正后：上窮 | 碧落 | 下 | 黃泉 | ， | 兩處 | 茫茫 | 皆 | 不見

3、jieba分詞原理

基于詞典，對句子進行詞圖掃描，生成所有成詞情況所構(gòu)成的有向無環(huán)圖（Directed Acyclic Graph）

根據(jù)DAG，反向計算最大概率路徑（動態(tài)規(guī)劃算法；取對數(shù)防止下溢，乘法運算轉(zhuǎn)為加法）

根據(jù)路徑獲取最大概率的分詞序列

import jieba
sentence = '中心小學放假'
DAG = jieba.get_DAG(sentence)
print(DAG)
route = {}
jieba.calc(sentence, DAG, route)
print(route)

DAG

{0: [0, 1, 3], 1: [1], 2: [2, 3], 3: [3], 4: [4, 5], 5: [5]}

最大概率路徑

{6: (0, 0), 5: (-9.4, 5), 4: (-12.6, 5), 3: (-20.8, 3), 2: (-22.5, 3), 1: (-30.8, 1), 0: (-29.5, 3)}

4、識別【帶空格的詞】

示例：使Blade Master這類中間有空格的詞被識別

import jieba, re
sentence = 'Blade Master疾風刺殺Archmage'
jieba.add_word('Blade Master') # 添詞
print('修改前：', jieba.lcut(sentence))
jieba.re_han_default = re.compile('(.+)', re.U) # 修改格式
print('修改后：', jieba.lcut(sentence))

打印結(jié)果

修改前： [‘Blade', ' ', ‘Master', ‘疾風', ‘刺殺', ‘Archmage']

修改后： [‘Blade Master', ‘疾風', ‘刺殺', ‘Archmage']

5、其它

5.1、并行分詞

運行環(huán)境：linux系統(tǒng)

開啟并行分詞模式，參數(shù)n為并發(fā)數(shù)：jieba.enable_parallel(n)

關閉并行分詞模式：jieba.disable_parallel()

5.2、關鍵詞提取

基于TF-IDF：jieba.analyse

基于TextRank：jieba.textrank

import jieba.analyse as ja, jieba
text = '柳夢璃施法破解了狐仙的法術(shù)'
jieba.add_word('柳夢璃', tag='nr')
keywords1 = ja.extract_tags(text, allowPOS=('n', 'nr', 'ns', 'nt', 'nz'))
print('基于TF-IDF：', keywords1)
keywords2 = ja.textrank(text, allowPOS=('n', 'nr', 'ns', 'nt', 'nz'))
print('基于TextRank：', keywords2)

打印結(jié)果

基于TF-IDF： [‘柳夢璃', ‘狐仙', ‘法術(shù)']

基于TextRank： [‘狐仙', ‘柳夢璃', ‘法術(shù)']

5.3、修改HMM參數(shù)

import jieba
text = '柳夢璃解夢C法'
print(jieba.lcut(text, HMM=False)) # ['柳', '夢', '璃', '解夢', 'C', '法']
print(jieba.lcut(text)) # ['柳夢璃', '解夢', 'C', '法']
jieba.finalseg.emit_P['B']['C'] = -1e-9 # begin
print(jieba.lcut(text)) # ['柳夢璃', '解夢', 'C', '法']
jieba.finalseg.emit_P['M']['夢'] = -100 # middle
print(jieba.lcut(text)) # ['柳', '夢璃', '解夢', 'C', '法']
jieba.finalseg.emit_P['S']['夢'] = -.1 # single
print(jieba.lcut(text)) # ['柳', '夢', '璃', '解夢', 'C', '法']
jieba.finalseg.emit_P['E']['夢'] = -.01 # end
print(jieba.lcut(text)) # ['柳夢', '璃', '解夢', 'C', '法']
jieba.del_word('柳夢') # Force_Split_Words
print(jieba.lcut(text)) # ['柳', '夢', '璃', '解夢', 'C', '法']

print

[‘柳', ‘夢', ‘璃', ‘解夢', ‘C', ‘法']

[‘柳夢璃', ‘解夢', ‘C', ‘法']

[‘柳', ‘夢璃', ‘解夢', ‘C', ‘法']

[‘柳', ‘夢', ‘璃', ‘解夢', ‘C', ‘法']

[‘柳夢', ‘璃', ‘解夢', ‘C', ‘法']

[‘柳', ‘夢', ‘璃', ‘解夢', ‘C', ‘法']

更多關于python中文分詞庫jieba使用方法請查看下面的相關鏈接

您可能感興趣的文章: