jieba中文处理 python

一、Jieba中文分词

本文使用jieba进行文本进行分词处理，它有3种模式，精确模式，全模式模式，搜索引擎模式：

· 精确模式：试图将句子最精确地切开，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，但是不能解决歧义；

· 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。

现以“南京市长江大桥”为例，3种分词模式的结果如下：

【全模式】： 南京 南京市 京市 市长 长江 长江大桥 大桥
【精确模式】： 南京市 长江大桥
【搜索引擎模式】： 南京 京市 南京市 长江 大桥 长江大桥

为了避免歧义和切出符合预期效果，在这里使用精确模式

import jieba
all_mode=jieba.cut('南京市长江大桥',cut_all=True)
alls=" ".join(all_mode)
print('【全模式】：',alls)
jingque=jieba.cut('南京市长江大桥',cut_all=False)
jings=" ".join(jingque)
print('【精确模式】：',jings)
search=jieba.cut_for_search('南京市长江大桥')
searchs=" ".join(search)
print('【搜索引擎模式】：',searchs)

二、去停用词

去停用词一般包括三类，

标点符号

特殊符号

无意义的虚词

停用词表

链接：https://pan.baidu.com/s/1sBpZJMDJcbgyA81kC78PRg
提取码：b54i
复制这段内容后打开百度网盘手机App，操作更方便哦

import jieba
# 创建停用词列表
def stopwordslist():
    stopwords = [line.strip() for line in open('中文停用词库.txt',encoding='gbk').readlines()]
    return stopwords
# 对句子进行中文分词
def seg_depart(sentence):
    # 对文档中的每一行进行中文分词
    print("正在分词")
    sentence_depart = jieba.cut(sentence.strip())
    # 创建一个停用词列表
    stopwords = stopwordslist()
    # 输出结果为outstr
    outstr = ''
    # 去停用词
    for word in sentence_depart:
        if word not in stopwords:
            if word != '\t':
                outstr += word
                outstr += " "
    return outstr
if __name__ == '__main__':
    # 给出文档路径
    filename = "斗破苍穹.txt"
    outfilename = "out.txt"
    inputs = open(filename, 'r', encoding='UTF-8')
    outputs = open(outfilename, 'w', encoding='UTF-8')
    
    # 将输出结果写入ou.txt中
    for line in inputs:
        line_seg = seg_depart(line)
        outputs.write(line_seg + '\n')
        print("-------------------正在分词和去停用词-----------")
    outputs.close()
    inputs.close()
    print("删除停用词和分词成功！！！")

 

三、去掉高频词，稀有词，和计算Bigrams

去掉高频词、稀有词是针对后续的主题模型（LDA、ATM）时使用的，

主要是为了排除对区隔主题意义不大的词汇，最终得到类似于停用词的效果。

 

Bigrams是为了自动探测出文本中的新词，基于词汇之间的共现关系---如果两个词经常一起毗邻出现，

那么这两个词可以结合成一个新词，比如“数据”、“产品经理”经常一起出现在不同的段落里，

那么，“数据_产品经理”则是二者合成出来的新词，只不过二者之间包含着下划线。

 四、关键词提取

1，基于TF-IDF算法的关键词提取

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,
allowPOS=())
其中需要说明的是：
1.sentence 为待提取的文本
2.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
3.withWeight 为是否一并返回关键词权重值，默认值为 False
4.allowPOS 仅包括指定词性的词，默认值为空，即不筛选

import jieba.analyse
#读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
path='斗破苍穹.txt'
with open(path,'r',encoding='utf-8')as ff:
    data=ff.read()
#返回词频最高的20个词
word=jieba.analyse.extract_tags(data,topK=20)
print(' '.join(word))

 

参考文章：https://blog.csdn.net/meiqi0538/article/details/80218870#0203_245

　　　　：https://www.jianshu.com/p/29aa3ad63f9d

　　　　：https://baijiahao.baidu.com/s?id=1587137075873716187&wfr=spider&for=pc