初学者|知否?知否?一文学会Jieba使用方法

2019-05-29 00:59:04 浏览数 (1)

点击上方蓝色字体，关注AI小白入门哟

跟着博主的脚步，每天进步一点点

我始终觉得，入门学习一件事情最好的方式就是实践，加之现在python如此好用，有越来越多的不错nlp的python库，所以接下来的一段时间里，让我们一起来感受一下这些不错的工具。后面代码我均使用jupyter编辑。先来罗列一波：jieba、hanlp、snownlp、Stanfordcorenlp、spacy、pyltp、nltk、Textblob等等…今天从jieba开始吧，let's begin。

简介

“结巴”中文分词，做最好的 Python 中文分词组件。主要功能包括分词、词性标注、关键词抽取等。

Github地址:https://github.com/fxsjy/jieba

支持繁体分词、支持自定义词典、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。

实战

1.分词

代码语言：javascript复制
# 支持三种分词模式（默认是精确模式）
import jieba
segfull_list = jieba.cut("我爱自然语言处理技术！", cut_all=True)
print("Full Mode: "   " ".join(segfull_list))  # 全模式

segdef_list = jieba.cut("我爱自然语言处理技术!", cut_all=False)
print("Default Mode: "   "  ".join(segdef_list))  # 精确模式

seg_search_list = jieba.cut_for_search("我爱自然语言处理技术!")  # 搜索引擎模式
print("Search Mode:"   " ".join(seg_search_list))
Building prefix dict from the default dictionary ...
Loading model from cache C:UsersyuquanleAppDataLocalTempjieba.cache
Loading model cost 0.830 seconds.
Prefix dict has been built succesfully.


Full Mode: 我 爱 自然 自然语言 语言 处理 技术  
Default Mode: 我  爱  自然语言  处理  技术  !
Search Mode:我 爱 自然 语言 自然语言 处理 技术 !

2.基于TF-IDF算法关键词抽取

代码语言：javascript复制
# 参数：
# sentence：待分析文本；
# 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，即不筛选
import jieba.analyse
sentence = "我爱自然语言处理技术!"
tags = jieba.analyse.extract_tags(sentence, withWeight=True, topK=2, allowPOS=())
print(tags)

[('自然语言', 3.4783139164), ('处理', 1.8036185524533332)]

3.基于 TextRank 算法的关键词抽取

代码语言：javascript复制
# 参数：
# allowPOS：默认过滤词性
jieba.analyse.textrank(sentence, topK=1, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

['技术']

4.词性标注

代码语言：javascript复制
import jieba.posseg as pseg
sentence = "我爱自然语言处理！"
words = pseg.cut(sentence)
for word, flag in words:    
    print('%s %s' % (word, flag))

我 r
爱 v
自然语言 l
处理 v
！ x

5.分词（tokenize）

代码语言：javascript复制
result = jieba.tokenize(u'我爱自然语言处理')
for tk in result:
    print("word %stt start: %d tt end:%d" % (tk[0],tk[1],tk[2]))

word 我       start: 0        end:1
word 爱       start: 1        end:2
word 自然语言        start: 2        end:6
word 处理      start: 6        end:8

代码已上传：https://github.com/yuquanle/StudyForNLP/blob/master/NLPtools/JiebaDemo.ipynb

The End

中文分词 https github NLP服务 网络安全

0 人点赞