[讨论]

python jieba全应用入门

2018-9-21 11:30:43 2475 python 自然语言处理分词模型

0 # coding: utf-8 # ###jieba特性介绍 # 支持三种分词模式： # 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。 # 支持繁体分词。 # 支持自定义词典。 # MIT 授权协议。 # ###分词速度 # 1.5 MB / Second in Full Mode # 400 KB / Second in Default Mode # 测试环境: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz；《围城》.txt # #一、第一部分 # ##Part 1. 分词 # jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型。 # jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细。 # 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8。 # jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用 # jieba.lcut 以及 jieba.lcut_for_search 直接返回 list。 # jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。 # In[1]: import jieba seg_list = jieba.cut("我来到北京清华大学", cut_all=True) print("Full Mode: " + "/ ".join(seg_list)) # 全模式 # In[15]: seg_list = jieba.cut("我来到北京清华大学", cut_all = False) print("Precise Mode: " + "/".join(seg_list)) #精确模式，默认状态下也是精确模式 # In[16]: seg_list = jieba.cut("他来到网易杭研大厦。") print("Default Mode: " + "/".join(seg_list)) # In[14]: seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造。") #搜索引擎模式 print("Search Mode: " + "/".join(seg_list)) # ##Part 2. 添加自定义词典 # ###载入词典 # 开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。 # 用法： jieba.load_userdict(file_name) # file_name 为自定义词典的路径。 # 词典格式和dict.txt一样，一个词占一行；每一行分三部分，一部分为词语，另一部分为词频（可省略），最后为词性（可省略），用空格隔开。 # 词频可省略，使用计算出的能保证分出该词的词频。 # 更改分词器的 tmp_dir 和 cache_file 属性，可指定缓存文件位置，用于受限的文件系统。 # In[5]: seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。") print("Origin: " + "/".join(seg_list)) # In[6]: jieba.load_userdict("C:\Users\Luo Chen\Desktop\lixiaofu.txt") seg_list = jieba.cut("李小福是创新办主任也是云计算方面的专家。") print("Revise: " + "/".join(seg_list)) # ###调整词典 # 使用 add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典。 # 使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。 # 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。 # In[7]: print("/".join(jieba.cut("如果放到post中将出错。", HMM = False))) # In[8]: #利用调节词频使“中”，“将”都能被分出来 jieba.suggest_freq(("中", "将"), tune = True) # In[9]: print("/".join(jieba.cut("如果放到post中将出错。", HMM = False))) # In[16]: Original = "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False)) print "Original: " + Original # In[21]: jieba.add_word("江大桥", freq = 20000, tag = None) print "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。")) # In[20]: jieba.load_userdict("C:\Users\Luo Chen\Desktop\shizhang.txt") print "Revise: " + "/".join(jieba.cut("江州市长江大桥参加了长江大桥的通车仪式。", HMM = False)) # ##Part 3. 词性标注 # jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。 # 标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。 # In[22]: import jieba.posseg as pseg words = pseg.cut("我爱北京***。") for w in words: print("%s %s" %(w.word, w.flag)) # ##Part 4. 关键词提取 # ###基于 TF-IDF 算法的关键词提取 # import jieba.analyse # jieba.analyse.extract_tags(sentence, topK = 20, withWeight = False, allowPOS = ()) # sentence:待提取的文本。 # topK:返回几个 TF/IDF 权重最大的关键词，默认值为20。 # withWeight:是否一并返回关键词权重值，默认值为False。 # allowPOS:仅包括指定词性的词，默认值为空，即不进行筛选。 # jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件。 # optparse模块OptionParser学习 # optparse是专门在命令行添加选项的一个模块。 # In[2]: from optparse import OptionParser MSG_USAGE = "myprog[ -f ][-s ] arg1[,arg2..]" optParser = OptionParser(MSG_USAGE) #以上，产生一个OptionParser的物件optParser。传入的值MSG_USAGE可被调用打印命令时显示出来。 optParser.add_option("-f","--file",action = "store",type="string",dest = "fileName") optParser.add_option("-v","--vison", action="store_false", dest="verbose",default='gggggg', help="make lots of noise [default]") #调用OptionParser.add_option()添加选项，add_option()参数说明： #action:存储方式，分为三种store, store_false, store_true #type:类型 #dest:存储的变量 #default:默认值 #help:帮助信息 fakeArgs = ['-f','file.txt','-v','good luck to you', 'arg2', 'arge'] options, args = optParser.parse_args(fakeArgs) print options.fileName print options.verbose print options print args #调用OptionParser.parse_args()剖析并返回一个directory和一个list #parse_args()说明: #如果没有传入参数，parse_args会默认将sys.argv[1:]的值作为默认参数。这里我们将fakeArgs模拟输入的值。 #从返回结果中可以看到， #options为是一个directory,它的内容fakeArgs为“参数/值 ”的键值对。 #args 是一个list，它的内容是fakeargs除去options后，剩余的输入内容。 #options.version和options.fileName都取到与options中的directory的值。 print optParser.print_help() #输出帮助信息 #optParser.print_help()说明： #1、最开始的的MSG_USAGE的值:在这个地方显示出来了。 #2、自动添加了-h这个参数。 # In[14]: import jieba.analyse as anl f = open("C:\Users\Luo Chen\Desktop\demo.txt", "r").read() seg = anl.extract_tags(f, topK = 20, withWeight = True) for tag, weight in seg: print "%s %s" %(tag, weight) # 关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径。 # jieba.analyse.set_idf_path(file_name) #file_name为自定义语料库的路径 # 如：jieba.analyse.set_idf_path("../extra_dict/idf.txt.big") # .big文件一般是游戏中的文件，比较常见的用途是装载游戏的音乐、声音等文件。 # # 关键词提取所使用停用词（Stop Words）文本语料库可以切换成自定义语料库的路径。 # jieba.analyse.set_stop_words(file_name) #file_name为自定义语料库的路径。 # 如：jieba.analyse.set_stop_words("../extra_dict/stop_words.txt") # ###基于 TextRank 算法的关键词提取 # 基本思想: # 将待抽取关键词的文本进行分词； # 以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图； # 计算图中节点的PageRank，注意是无向带权图。 # jieba.analyse.textrank(sentence, topK = 20, withWeight = False, allowPOS = ('ns', 'n', 'v', 'nv')) 注意默认过滤词性。 # jieba.analyse.TextRank() 新建自定义TextRank实例。 # In[16]: s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。" for x, w in jieba.analyse.textrank(s, topK = 5, withWeight = True): print("%s %s" % (x, w)) # ##Part 5. 并行分词（多进程分词） # 原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升。 # 基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows。 # 用法： # jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数 # jieba.disable_parallel() # 关闭并行分词模式 # 实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。 # 注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。 # ##Part 6. Tokenize: 返回词语在原文的起止位置 # 注意：输入参数只接受 unicode # 两种模式：默认模式、搜索模式。 # ###默认模式 # In[19]: result = jieba.tokenize(u"永和服装饰品有限公司") for tk in result: print("%s t start at: %d t end at: %d" %(tk[0], tk[1], tk[2])) # ###搜索模式 # 把句子中所有的可以成词的词语都扫描出来并确定位置。 # In[20]: result = jieba.tokenize(u"永和服装饰品有限公司", mode = "search") for tk in result: print("%s t start at: %d t end at: %d" % (tk[0], tk[1], tk[2])) # ##Part 7. 延迟加载机制 # jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。 # import jieba # jieba.initialize() #手动初始化（可选） # 在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径: # jieba.set_dictionary("data/dict.txt.big") # 也可以下载你所需要的词典，然后覆盖jieba/dict.txt即可。 # #二、第二部分 # ##Part 1. 词频统计、降序排序 # In[21]: article = open("C:\Users\Luo Chen\Desktop\demo_long.txt", "r").read() words = jieba.cut(article, cut_all = False) word_freq = {} for word in words: if word in word_freq: word_freq[word] += 1 else: word_freq[word] = 1 freq_word = [] for word, freq in word_freq.items(): freq_word.append((word, freq)) freq_word.sort(key = lambda x: x[1], reverse = True) max_number = int(raw_input(u"需要前多少位高频词？ ")) for word, freq in freq_word[: max_number]: print word, freq # ##Part 2. 人工去停用词 # 标点符号、虚词、连词不在统计范围内。 # In[22]: stopwords = [] for word in open("C:\Users\Luo Chen\Desktop\stop_words.txt", "r"): stopwords.append(word.strip()) article = open("C:\Users\Luo Chen\Desktop\demo_long.txt", "r").read() words = jieba.cut(article, cut_all = False) stayed_line = "" for word in words: if word.encode("utf-8") not in stopwords: stayed_line += word + " " print stayed_line # ##Part 3. 合并同义词 # 将同义词列举出来，按下Tab键分隔，把第一个词作为需要显示的词语，后面的词语作为要替代的同义词，一系列同义词放在一行。 # 这里，“北京”、“首都”、“京城”、“北平城”、“故都”为同义词。 # In[24]: combine_dict = {} for line in open("C:\Users\Luo Chen\Desktop\tongyici.txt", "r"): seperate_word = line.strip().split("t") num = len(seperate_word) for i in range(1, num): combine_dict[seperate_word] = seperate_word[0] jieba.suggest_freq("北平城", tune = True) seg_list = jieba.cut("北京是中国的首都，京城的景色非常优美，就像当年的北平城，我爱这故都的一草一木。", cut_all = False) f = ",".join(seg_list) result = open("C:\Users\Luo Chen\Desktop\output.txt", "w") result.write(f.encode("utf-8")) result.close() for line in open("C:\Users\Luo Chen\Desktop\output.txt", "r"): line_1 = line.split(",") final_sentence = "" for word in line_1: if word in combine_dict: word = combine_dict[word] final_sentence += word else: final_sentence += word print final_sentence # ##Part 4. 词语提及率 # 主要步骤：分词——过滤停用词（略）——替代同义词——计算词语在文本中出现的概率。 # In[31]: origin = open("C:\Users\Luo Chen\Desktop\tijilv.txt", "r").read() jieba.suggest_freq("晨妈妈", tune = True) jieba.suggest_freq("大黑牛", tune = True) jieba.suggest_freq("能力者", tune = True) seg_list = jieba.cut(origin, cut_all = False) f = ",".join(seg_list) output_1 = open("C:\Users\Luo Chen\Desktop\output_1.txt", "w") output_1.write(f.encode("utf-8")) output_1.close() combine_dict = {} for w in open("C:\Users\Luo Chen\Desktop\tongyici.txt", "r"): w_1 = w.strip().split("t") num = len(w_1) for i in range(0, num): combine_dict[w_1] = w_1[0] seg_list_2 = "" for i in open("C:\Users\Luo Chen\Desktop\output_1.txt", "r"): i_1 = i.split(",") for word in i_1: if word in combine_dict: word = combine_dict[word] seg_list_2 += word else: seg_list_2 += word print seg_list_2 # In[35]: freq_word = {} seg_list_3 = jieba.cut(seg_list_2, cut_all = False) for word in seg_list_3: if word in freq_word: freq_word[word] += 1 else: freq_word[word] = 1 freq_word_1 = [] for word, freq in freq_word.items(): freq_word_1.append((word, freq)) freq_word_1.sort(key = lambda x: x[1], reverse = True) for word, freq in freq_word_1: print word, freq total_freq = 0 for i in freq_word_1: total_freq += i[1] for word, freq in freq_word.items(): freq = float(freq) / float(total_freq) print word, freq # ##Part 5. 按词性提取 # In[36]: import jieba.posseg as pseg word = pseg.cut("李晨好帅，又能力超强，是“大黑牛”，也是一个能力者，还是队里贴心的晨妈妈。") for w in word: if w.flag in ["n", "v", "x"]: print w.word, w.flag 0
2018-9-21 11:30:43　　评论淘帖0 举报相关推荐 • Python编程入门经典 24 • Python入门之什么是函数 484 • Python编程入门 0 • [Python入门指南].(Python.Tutorial).G 0 • 《Python编程入门》.pdf 0 • Raspberry Pi Python 编程入门 2 • Python经典入门教程 117 • Python入门之函数属性 610 • 笨办法学python，python语言入门 6074 • python入门书籍推荐 3832