Python中jieba库的介绍与使用

时间:2023-03-23 Algorithm-007 人气:0

前言：

jieba是优秀的中文分词第三方库，由于中文文本之间每个汉字都是连续书写的，我们需要通过特定的手段来获得其中的每个词组，这种手段叫做分词，我们可以通过jieba库来完成这个过程。

一、jieba库基本介绍

(1)jieba库概述

① jieba是优秀的中文分词第三方库

②中文文本需要通过分词获得单个的词语③ jieba是优秀的中文分词第三方库，需要额外安装

④jieba库提供三种分词模式，最简单只需掌握一个函数

(2)jieba分词的原理

①分词依靠中文词库

② 利用一个中文词库，确定汉字之间的关联概率

③ 汉字间概率大的组成词组，形成分词结果

④ 除了分词，用户还可以添加自定义的词组

二、jieba库使用说明

(1)jieba分词的三种模式

精确模式、全模式、搜索引擎模式

① jieba.cut(s) 精确模式：把文本精确的切分开，不存在冗余单词:

② jieba.lcut(s,cut_all=True) 全模式：把文本中所有可能的词语都扫描出来，有冗余:

③jieba.lcut_for_search(s) 搜索引擎模式：在精确模式基础上，对长词再次切分:

三：jieba库的安装

因为 jieba 是一个第三方库，所有需要我们在本地进行安装：

ⅠIDLE中jieba库的安装：

Windows 下使用命令安装：在联网状态下，在命令行下输入 pip

install jieba 进行安装，安装完成后会提示安装成功。具体过程如图：

① Win + r 打开运行框并输入cmd打开指令框：

②在指令框输入“pip install jieba”并按下回车等待下载：

③ 当出现“Successfully instll”，则表示安装成功！

Ⅱ Pycharm中jieba库的安装：

打开 settings，搜索 Project Interpreter，在右边的窗口选择 + 号，点击后在搜索框搜索 jieba，点击安装即可。具体过程如图：

① 点击左上角Files中的Settings：

② [endif]找到“Project”中的“python interpreter”，并点击其中的“+”：

③在搜索栏中搜索“jieba”，并点击左下角Install Package：

④ 当出现“Successfully instll

jieba”，则表示jieba库安装成功！

四：实例-文本词频统计

Jieba库最强大的功能之一就是对文章出现的词汇进行计数统计，即计算词频，对于一篇文章或者一部著作，我们可以通过以下步骤对出现的单词进行统计：

源代码：

注：

① encoding=’ANSI’:将打开的文本格式设为ANSI形式

② read(size):方法从文件当前位置起读取size个字节，若无参数size，则表示读取至文件结束为止，它范围为字符串对象。

③items

= list（counts.items）:将counts中的元素存入items表格中。

④ key = lambda x:x[1]:等价于 def func(x):

return x[1]

⑤ reverse = True：列表反转排序，不写reverse = True 就是列表升序排列，括号里面加上reverse =True 就是降序排列！

⑥ {0:<10}{1:>5}:<表示左对齐，>表示右对齐，数字表示宽度,<10表示左对齐，并占10个位置，>5表示右对齐，占5个位置。

运行结果：

如上运行结果有两个不足之处，一是词汇中出现了“却说”、“丞相”、“二人”等人名以外的单词，我们需要把这些单词去除；二是“孔明”与“孔明说”、“曹操”与“丞相”等的是同一人，我们需要把它们合并同类项，将代码进行优化后，我们得到：