Python第三方库jieba(中文分词）
一、概述
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库，需要额外安装
- jieba库提供三种分词模式，最简单只需掌握一个函数
二、安装说明
全自动安装：(cmd命令行) pip install jieba
安装成功显示
三、特点 —— jieba分词
1. 原理：jieba分词依靠中文词库
- 利用一个中文词库，确定中文字符之间的关联概率
- 中文字符间概率大的组成词组，形成分词结果
- 除了分词，用户还可以添加自定义的词组
2. 三种分词模式：
- 精确模式：试图将句子最精确地切开，不存在冗余单词，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，有冗余，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。
四、jieba库常用函数
|
1
|
1. jieba.lcut(s) #精确模式，返回一个列表类型的分词结果 |
代码示例
|
1
|
jieba.lcut("中国是一个伟大的国家") |
结果输出： ['中国', '是', '一个', '伟大', '的', '国家']
2. jieba.lcut(s, cut_all=True) #全模式，返回一个列表类型的分词结果，存在冗余
代码示例
jieba.lcut("中国是一个伟大的国家",cut_all=True)
结果输出： ['中国', '国是', '一个', '伟大', '的', '国家']
3. jieba.lcut_for_sear ch(s) #搜索引擎模式，返回一个列表类型的分词结果，存在冗余
代码示例
jieba.lcut_for_search(“中华人民共和国是伟大的")
结果输出: ['中华', '华人', '人民', '共和', '共和国', '中华人民共 和国', '是', '伟大', '的']
4. jieba.add_word(w) #向分词词典增加新词w
代码示例
jieba.add_word("蟒蛇语言")
运用jieba库进行词频统计
实例 —— 对西游记第一回进行词频统计
代码
import jieba
path_txt = 'C:\\Users\86136\Desktop\西游记.txt' #文档在电脑上所在位置
txt = open(path_txt,"r").read()
excludes = {"，","：","“","。","”","、","；"," ","！","？"," ","\n"}
words = jieba.lcut(txt)
counts = {}
for word in words:
counts[word] = counts.get(word,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(15):
word, count = items[i]
print("{0:<10}{1:>5}".format(word,count))
运行结果
利用jieba库统计三国演义中任务的出场次数
import jieba
txt = open("D:\\三国演义.txt", "r", encoding='utf-8').read()
words = jieba.lcut(txt) # 使用精确模式对文本进行分词
counts = {} # 通过键值对的形式存储词语及其出现的次数
for word in words:
if len(word) == 1: # 单个词语不计算在内
continue
else:
counts[word] = counts.get(word, 0) + 1 # 遍历所有词语，每出现一次其对应的值加 1
items = list(counts.items())#将键值对转换成列表
items.sort(key=lambda x: x[1], reverse=True) # 根据词语出现的次数进行从大到小排序
for i in range(15):
word, count = items[i]
print("{0:<5}{1:>5}".format(word, count))
