文章目錄

• jieba分詞器
• • 1. jieba分詞器的分詞模式說明
  • • （1）精確模式
    • （2）全模式
    • （3）搜索引擎模式
    • （4）Paddle模式
  • 2. jieba分詞器的基本用法
  • • （1）三種模式案例
    • （2）詞性標注
    • （3）識別新詞：HMM參數
    • （4）搜索引擎模式分詞：cut_for_search()函數
  • 3. 調整詞典
  • • （1）使用自定義詞典：load_userdict()函數
    • （2）動態修改詞典：add_word()、del_word()函數
    • （3）調節詞頻：suggest_freq()函數
  • 4. 關鍵詞提取
  • • （1）基于TF-IDF算法的關鍵詞提取：extract_tags()函數
    • （2）基于TextRank算法的關鍵詞提取：textrank()函數
  • 5. 停用詞過濾
  • 6. 詞頻統計

---

前些天發現了一個巨牛的人工智能學習網站，通俗易懂，風趣幽默，忍不住分享一下給大家。點擊跳轉到網站：人工智能從入門到精通教程

---

jieba分詞器

1. jieba分詞器的分詞模式說明

jieba分詞器提供4種分詞模式，并且支持簡體/繁體分詞、自定義詞典、關鍵詞提取、詞性標注。

（1）精確模式

該模式會將句子最精確地切分開，適合在文本分析時使用。

（2）全模式

該模式會將句子中所有成詞的詞語都掃描出來，速度也非?？?#xff0c;缺點是不能解決歧義問題，有歧義的詞語也會被掃描出來。

（3）搜索引擎模式

該模式會在精確模式的基礎上對長詞再進行切分，將更短的詞語切分出來。在搜索引擎中，要求輸入詞語的一部分也能檢索到整個詞語相關的文檔，所以該模式適用于搜索引擎分詞。

（4）Paddle模式

該模式利用PaddlePaddle深度學習框架，訓練序列標注網絡模型實現分詞，同時支持詞性標注。該模式在4.0及以上版本的jieba分詞器中才能使用。使用該模式需要安裝paddlepaddle模塊。

2. jieba分詞器的基本用法

在Python中，可以使用jieba模塊的cut()函數進行分詞，返回結果是一個迭代器。

cut()函數有4個參數：

第一個參數：待分詞文本

cut_all：設置使用全模式(True)還是精確模式(False)； 默認False

use_paddle：控制是否使用Paddle模式進行分詞

HMM：控制是否使用HMM模式識別新詞

（1）三種模式案例

設置參數cut_all為True：全分詞

import jieba str1 = '我來到了西北皇家理工學院，發現這兒真不錯' seg_list = jieba.cut(str1, cut_all=True) # 使用全模式進行分詞 生成列表 print('全模式分詞結果：', '/'.join(seg_list)) # /拼接列表元素 全模式分詞結果： 我/來到/了/西北/皇家/理工/理工學/理工學院/工學/工學院/學院/，/發現/這兒/真不/真不錯/不錯

設置參數cut_all為False：精確分詞

import jieba str1 = '我來到了西北皇家理工學院，發現這兒真不錯' seg_list = jieba.cut(str1, cut_all=False) # 使用精確模式進行分詞 print('精確模式分詞結果：', '/'.join(seg_list)) 精確式分詞結果： 我/來到/了/西北/皇家/理工學院/，/發現/這兒/真不錯

cut_all參數不給定時，默認為false，即精確分詞

import jieba str1 = '我來到了西北皇家理工學院，發現這兒真不錯' seg_list = jieba.cut(str1) print('全模式分詞結果：', '/'.join(seg_list)) 精確模式分詞結果： 我/來到/了/西北/皇家/理工學院/，/發現/這兒/真不錯

use_paddle參數可以設置開啟paddle模式

import jieba import paddle str1 = '我來到了西北皇家理工學院，發現這兒真不錯' #jieba.enable_paddle() 已經停用 paddle.enable_static() seg_list = jieba.cut(str1, use_paddle=True) #使用paddle模式進行分詞 print('Paddle模式分詞結果：', '/'.join(seg_list)) Paddle模式分詞結果： 我/來到/了/西北/皇家/理工學院/，/發現/這兒/真不錯

（2）詞性標注

import jieba import jieba.posseg as pseg #jieba.enable_paddle() str2 = '上海自來水來自海上' seg_list = pseg.cut(str2, use_paddle=True) #使用posseg進行分詞 for seg, flag in seg_list:print(seg, flag) 上海 ns 自來水 l 來自 v 海上 s

（3）識別新詞：HMM參數

HMM參數設置為True，可以識別新詞，即詞典中不存在的詞。

詞典為jieba分詞自帶的字典。

如下：他知

import jieba str3 = '他知科技研發有限公司是一家互聯網行業的公司' seg_list = jieba.cut(str3, HMM=True) #HMM默認為True，所以可以不設置 print('精確模式分詞結果：', '/'.join(seg_list)) 精確模式分詞結果： 他知/科技/研發/有限公司/是/一家/互聯網/行業/的/公司

（4）搜索引擎模式分詞：cut_for_search()函數

cut_for_search()函數可以進行搜索引擎模式分詞

該函數只有兩個參數：

第一個參數：待分詞文本

第二個參數：HMM，默認為True

import jieba str1 = '我來到了西北皇家理工學院，發現這兒真不錯' seg_list = jieba.cut_for_search(str1) print('搜索引擎模式分詞結果：', '/'.join(seg_list)) 搜索引擎模式分詞結果： 我/來到/了/西北/皇家/理工/工學/學院/理工學/工學院/理工學院/，/發現/這兒/真不/不錯/真不錯

3. 調整詞典

用戶也可以自己生成一個自定義詞典，包含jieba分詞自帶字典中沒有的詞語，添加到程序中。比如：

注意：詞頻、詞性可省略。

未加載自定義字典時使用精確切分來進行分詞

import jieba seg_list = jieba.cut('心靈感應般地驀然回首，才能撞見那一低頭的溫柔；也最是那一低頭的溫柔，似一朵水蓮花不勝涼風的嬌羞；也最是那一抹嬌羞，才能讓兩人攜手共白首。') print('未加載自定義詞典時的精確模式分詞結果：\n', '/'.join(seg_list)) 未加載自定義詞典時的精確模式分詞結果：心靈感應/般地/驀然回首/，/才能/撞見/那一/低頭/的/溫柔/；/也/最/是/那/一/低頭/的/溫柔/，/似/一朵/水/蓮花/不勝/涼風/的/嬌羞/；/也/最/是/那/一抹/嬌羞/，/才能/讓/兩人/攜手/共/白首/。

（1）使用自定義詞典：load_userdict()函數

load_userdict()函數加載用戶自定義字典

import jieba jieba.load_userdict('用戶詞典.txt') seg_list = jieba.cut('心靈感應般地驀然回首，才能撞見那一低頭的溫柔；也最是那一低頭的溫柔，似一朵水蓮花不勝涼風的嬌羞；也最是那一抹嬌羞，才能讓兩人攜手共白首。') print('加載自定義詞典時的精確模式分詞結果：\n', '/'.join(seg_list)) 加載自定義詞典時的精確模式分詞結果：心靈感應/般地/驀然回首/，/才能/撞見/那/一低頭/的/溫柔/；/也/最/是/那/一低頭/的/溫柔/，/似/一朵/水蓮花/不勝/涼風/的/嬌羞/；/也/最/是/那/一抹/嬌羞/，/才能/讓/兩人/攜手/共/白首/。

（2）動態修改詞典：add_word()、del_word()函數

1. 動態添加詞：add_word()

import jieba jieba.load_userdict('用戶詞典.txt') jieba.add_word('最是') #添加詞， 但是不會添加到 用戶字典.txt 文件中 seg_list = jieba.cut('心靈感應般地驀然回首，才能撞見那一低頭的溫柔；也最是那一低頭的溫柔，似一朵水蓮花不勝涼風的嬌羞；也最是那一抹嬌羞，才能讓兩人攜手共白首。') print('添加自定義詞時的精確模式分詞結果：\n', '/'.join(seg_list)) 添加自定義詞時的精確模式分詞結果：心靈感應/般地/驀然回首/，/才能/撞見/那/一低頭/的/溫柔/；/也/最是/那/一低頭/的/溫柔/，/似/一朵/水蓮花/不勝/涼風/的/嬌羞/；/也/最是/那/一抹/嬌羞/，/才能/讓/兩人/攜手/共/白首/。

2.動態刪除詞：del_word()

import jieba jieba.load_userdict('用戶詞典.txt') jieba.del_word('一低頭') seg_list = jieba.cut('心靈感應般地驀然回首，才能撞見那一低頭的溫柔；也最是那一低頭的溫柔，似一朵水蓮花不勝涼風的嬌羞；也最是那一抹嬌羞，才能讓兩人攜手共白首。') print('刪除自定義詞時的精確模式分詞結果：\n', '/'.join(seg_list)) 刪除自定義詞時的精確模式分詞結果：心靈感應/般地/驀然回首/，/才能/撞見/那一/低頭/的/溫柔/；/也/最/是/那/一/低頭/的/溫柔/，/似/一朵/水蓮花/不勝/涼風/的/嬌羞/；/也/最/是/那/一抹/嬌羞/，/才能/讓/兩人/攜手/共/白首/。

（3）調節詞頻：suggest_freq()函數

不修改詞頻前：

#不修改詞頻 import jieba str3 = '他認為未來幾年健康產業在GDP中將占比第一。' seg_list = jieba.cut(str3) print('精確模式分詞結果：\n', '/'.join(seg_list)) 精確模式分詞結果：他/認為/未來/幾年/健康/產業/在/GDP/中將/占/比/第一/。

修改詞頻后：

#修改詞頻 import jieba str3 = '他認為未來幾年健康產業在GDP中將占比第一。' jieba.suggest_freq(('中', '將'), True) #修改詞頻 強制“中將” jieba.suggest_freq('占比', True) #強制讓“占比”作為一次詞 seg_list = jieba.cut(str3, HMM=False) print('精確模式分詞結果：\n', '/'.join(seg_list)) 精確模式分詞結果：他/認為/未來/幾年/健康/產業/在/GDP/中/將/占比/第一/。

4. 關鍵詞提取

從文本文件中提取關鍵詞的理論方法主要有兩種：

第一種是有監督的學習方法，該方法將關鍵詞的提取視為一個二分類問題，要么是關鍵詞，要么不是

第二種是無監督的學習方法，該方法對候選詞進行打分，大風范最高的候選詞為關鍵詞

常見的打分算法有TF-IDF和TextRank。

（1）基于TF-IDF算法的關鍵詞提取：extract_tags()函數

extract_tags()函數能基于TF-IDF算法提取關鍵詞

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

該函數有四個參數：

sentence：待提取關鍵詞的文本

topK：關鍵詞數

withWeight：是否返回權重

allowPOS：指定篩選關鍵詞的詞性；默認不分詞性

基于TF-IDF算法的關鍵詞提取

# 基于TF-IDF算法的關鍵詞提取 from jieba import analyse text = '記者日前從中國科學院南京地質古生物研究所獲悉，該所早期生命研究團隊與美國學者合作，在中國湖北三峽地區的石板灘生物群中，發現了4種形似樹葉的遠古生物。這些“樹葉”實際上是形態奇特的早期動物，它們生活在遠古海洋底部。相關研究成果已發表在古生物學國際專業期刊《古生物學雜志》上。' keywords = analyse.extract_tags(text, topK=10, withWeight=True, allowPOS=('n', 'v')) print(keywords) [('古生物學', 0.783184303024), ('樹葉', 0.6635900468544), ('生物群', 0.43238540794400004), ('古生物', 0.38124919198039997), ('期刊', 0.36554014868720003), ('石板', 0.34699723913040004), ('形似', 0.3288202017184), ('研究成果', 0.3278758070928), ('團隊', 0.2826627565264), ('獲悉', 0.28072960723920004)]

（2）基于TextRank算法的關鍵詞提取：textrank()函數

textrank()函數能基于TextRank算法提取關鍵字

jieba.analyse.textrank(sentance, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

兩種方法的區別是默認提取的詞性不同

當然算法不同，結果可能有差異

基于TextRank算法的關鍵詞提取

# 基于TextRank算法的關鍵詞提取 from jieba import analyse text = '記者日前從中國科學院南京地質古生物研究所獲悉，該所早期生命研究團隊與美國學者合作，在中國湖北三峽地區的石板灘生物群中，發現了4種形似樹葉的遠古生物。這些“樹葉”實際上是形態奇特的早期動物，它們生活在遠古海洋底部。相關研究成果已發表在古生物學國際專業期刊《古生物學雜志》上。' keywords = analyse.textrank(text, topK=10, withWeight=True, allowPOS=('n', 'v')) print(keywords) [('古生物學', 1.0), ('樹葉', 0.8797803471074045), ('形似', 0.6765568513591282), ('專業', 0.6684901270801065), ('生物', 0.648692596888148), ('發表', 0.6139083953888275), ('生物群', 0.59981945604977), ('期刊', 0.5651065025924439), ('國際', 0.5642917600351786), ('獲悉', 0.5620719278559326)]

5. 停用詞過濾

停用詞：“你”、“我”、“的”、“在”及標點符號等大量出現但非關鍵詞的詞。

我們可以把它們過濾掉

啟動停用詞過濾前：

#未啟動停用詞過濾 import jieba text = '商務部4月23日發布的數據顯示，一季度，全國農產品網絡零售額達936.8億元，增長31.0%；電商直播超過400萬場。電商給農民帶來了新的機遇。' seg_list = jieba.cut(text) print('未啟用停用詞過濾時的分詞結果：\n', '/'.join(seg_list)) 未啟用停用詞過濾時的分詞結果：商務部/4/月/23/日/發布/的/數據/顯示/，/一季度/，/全國/農產品/網絡/零售額/達/936.8/億元/，/增長/31.0%/；/電商/直播/超過/400/萬場/。/電商/給/農民/帶來/了/新/的/機遇/。

為了過濾停用詞，需要有一個停用詞詞典。

我們可以自己制作停用詞詞典，停用詞詞典的內容是根據NLP的目的變化的。

如果制作太慢，可以百度下載一個停用詞詞典，稍作修改成自己想要的。如下：

啟動停用詞過濾后：

#啟動停用詞過濾 import jieba with open('stopwords.txt', 'r+', encoding = 'utf-8')as fp:stopwords = fp.read().split('\n') #將停用詞詞典的每一行停用詞作為列表中的一個元素 word_list = [] #用于存儲過濾停用詞后的分詞結果 text = '商務部4月23日發布的數據顯示，一季度，全國農產品網絡零售額達936.8億元，增長31.0%；電商直播超過400萬場。電商給農民帶來了新的機遇。' seg_list = jieba.cut(text) for seg in seg_list:if seg not in stopwords:word_list.append(seg) print('啟用停用詞過濾時的分詞結果：\n', '/'.join(word_list)) 啟用停用詞過濾時的分詞結果：商務部/4/月/23/日/發布/數據/顯示/一季度/全國/農產品/網絡/零售額/達/936.8/億元/增長/31.0%/電商/直播/超過/400/萬場/電商/農民/帶來/新/機遇

注意：我們根據不同的編碼方式，修改encoding參數

6. 詞頻統計

import jieba text = '蒸饃饃鍋鍋蒸饃饃，饃饃蒸了一鍋鍋，饃饃擱上桌桌，桌桌上面有饃饃。' with open('stopwords.txt', 'r+', encoding = 'utf-8')as fp:stopwords = fp.read().split('\n') #加載停用詞 word_dict = {} #用于存儲詞頻統計結果的詞典 jieba.suggest_freq(('桌桌'), True) #讓“桌桌”作為一個詞 seg_list = jieba.cut(text) for seg in seg_list:if seg not in stopwords:if seg in word_dict.keys():word_dict[seg] += 1 #存在則詞頻+1else:word_dict[seg] = 1 #不存在則存入鍵值對 print(word_dict) {'蒸': 3, '饃饃': 5, '鍋鍋': 1, '一鍋': 1, '鍋': 1, '擱': 1, '桌桌': 2, '上面': 1}

總結

以上是生活随笔為你收集整理的Python数据分析（4）：jieba分词详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。