亲宝软件园·资讯

展开

python jieba库 python jieba库的基本使用

狸帅 人气:0
想了解python jieba库的基本使用的相关内容吗,狸帅在本文为您仔细讲解python jieba库的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:python,jieba,python,jieba库使用,下面大家一起来学习吧。

一、jieba库概述

jieba是优秀的中文分词第三方库

二、jieba库安装

pip install jieba

三、jieba分词的原理

jieba分词依靠中文词库

四、jieba分词的3种模式

五、jieba库常用函数

函数 描述
jieba.lcut(s) 精确模式,返回一个列表类型的分词结果
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
jieba.lcut_for_search(s) 搜索引擎模式,返回一个列表类型的分词结果,存在冗余
jieba.lcut(s) 精确模式,返回一个列表类型的分词结果
jieba.add_word(s) 向分词词典增加新词w

例子:

>>> jieba.lcut("中国是一个伟大的国家")
['中国', '是', '一个', '伟大', '的', '国家']

>>> jieba.lcut("中国是一个伟大的国家", cut_all=True)
['中国', '国是', '一个', '伟大', '的', '国家']

>>> jieba.lcut_for_search("中华人民共和国是伟大的")
['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '伟大', '的']

六、文本词频示例

问题分析

http://python123.io/resources/pye/hamlet.txt

http://python123.io/resources/pye/threekingdoms.txt

代码如下:

def getText():
 # 打开 hamlet.txt 这个文件
 txt = open("hamlet.txt", "r").read()
 # 避免大小写对词频统计的干扰,将所有单词转换为小写
 txt = txt.lower()
 # 将文中出现的所有特殊字符替换为空格
 for ch in '|"#$%^&*()_+-=\\`~{}[];:<>?/':
 txt = txt.replace(ch, " ")
 # 返回一个所以后单词都是小写的,单词间以空格间隔的文本
 return txt

hamletTxt = getText()
# split() 默认使用空格作为分隔符
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)
for i in range(10):
 word, count = items[i]
 print("{0:<10}{1:>5}".format(word,count))

上面代码中的

items.sort(key=lambda x:x[1], reverse=True)

是根据单词出现的次数进行排序,其中使用了 lambda 函数。更多解释请看:
https://www.runoob.com/python/att-list-sort.html

下面使用 jieba 库来统计《三国演义》中任务出场的次数:

import jieba
txt = open("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))

运行结果:

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

我们可以看到得出的结果与我们想象的有些差异,比如

所以我们需要对上面代码进行优化,在词频统计的基础上,面向问题改造我们的程序。

下面是《三国演义》人物数量统计代码的升级版,升级版中对于某些确定不是人名的词,即使做了词频统计,也要将它删除掉。使用寄一个集合excludes来接收一些确定不是人名但是又排序比较靠前的单词列进去。

import jieba
txt = open("threekingdoms.txt","r",encoding="utf-8").read()
excludes = {"将军","却说","荆州","二人","不可","不能","如此"}
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":
 rword == "曹操"
 else:
 rword = word
 counts[rword] = counts.get(rword, 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))

运行结果:

曹操  963
孔明  847
张飞  366
商议  359
如何  352
主公  340
军士  320
吕布  303
左右  298
军马  297
赵云  283
刘备  282
引兵  279
次日  278
大喜  274

可以看出还是有像“商议”、“如何”等不是人物的词出现在统计结果,我们将这些词加入到 excludes 中,多次运行程序后最后得到《三国演义》任务出场顺序前20:

七、文本词频统计问题举一反三

应用问题扩展

以上内容资料均来源于中国大学MOOC网-北京理工大学Python语言程序设计课程
课程地址:https://www.icourse163.org/course/BIT-268001

加载全部内容

相关教程
猜你喜欢
用户评论