Note of Jieba

Note of Jieba

jieba库是python 一个重要的第三方中文分词函数库，但需要用户自行安装。

一、jieba 库简介

(1) jieba 库的分词原理是利用一个中文词库，将待分词的内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组；除此之外，jieba 库还提供了增加自定义中文单词的功能。

(2) jieba 库支持3种分词模式：

精确模式：将句子最精确地切开，适合文本分析。

全模式：将句子中所以可以成词的词语都扫描出来，速度非常快，但是不能消除歧义。

搜索引擎模式：在精确模式的基础上，对长分词再次切分，提高召回率，适合搜索引擎分词。

二、安装库函数

(1) 在命令行下输入指令：

pip install jieba

(2) 安装进程：

三、调用库函数

(1) 导入库函数：import  <库名>

使用库中函数：<库名> . <函数名> (<函数参数>)

(2) 导入库函数：from  <库名>  import * ( *为通配符 )

使用库中函数：<函数名> (<函数参数>)

四、jieba 库函数

(1) 库函数功能

模式	函数	说明
精确模式	cut(s)	返回一个可迭代数据类型
	lcut(s)	返回一个列表类型 (建议使用)
全模式	cut(s,cut_all=True)	输出s中所以可能的分词
	lcut(s,cut_all=True)	返回一个列表类型 (建议使用)
搜索引擎模式	cut_for_search(s)	适合搜索引擎建立索引的分词结果
	lcut_for_search(s)	返回一个列表类型 (建议使用)
自定义新词	add_word(w)	向分词词典中增加新词w

(2) 函数使用实例

五、对一篇文档进行词频统计

(1) jieba 库单枪匹马

A. 代码实现

注：代码使用的文档 >>> Detective_Novel(utf-8).zip[点击下载]，也可自行找 utf-8 编码格式的txt文件。

 1 # -*- coding:utf-8 -*-
 2 from jieba import *
 3
 4 def Replace(text,old,new): #替换列表的字符串
 5     for char in old:
 6         text = text.replace(char,new)
 7     return text
 8
 9 def getText(filename): #读取文件内容（utf-8 编码格式）
10     #特殊符号和部分无意义的词
11     sign = '''！~·@￥……*“”‘’\n（）{}【】；："'「，」。-、？'''
12     txt = open('{}.txt'.format(filename),encoding='utf-8').read()
13     return Replace(txt,sign," ")
14
15 def word_count(passage,N): #计算passage文件中的词频数，并将前N个输出
16     words = lcut(passage) #精确模式分词形式
17     counts = {}             #创建计数器 --- 字典类型
18     for word in words:      #消除同意义的词和遍历计数
19         if word == '小五' or word == '小五郎' or word == '五郎':
20             rword = '毛利'
21         elif word == '柯' or word == '南':
22             rword = '柯南'
23         elif word == '小' or word == '兰':
24             rword = '小兰'
25         elif word == '目' or word == '暮' or word == '警官':
26             rword = '暮目'
27         else:
28             rword = word
29         counts[rword] = counts.get(rword,0) + 1
30     excludes = lcut_for_search("你我事他和她在这也有什么的是就吧啊吗哦呢都了一个")
31     for word in excludes:   #除去意义不大的词语
32         del(counts[word])
33     items = list(counts.items()) #转换成列表形式
34     items.sort(key = lambda x : x[1], reverse = True ) #按次数排序
35     for i in range(N):     #依次输出
36         word,count = items[i]
37         print("{:<7}{:>6}".format(word,count))
38
39 if __name__ == '__main__':
40     passage = getText('Detective_Novel')  #输入文件名称读入文件内容
41     word_count(passage,20) #调用函数得到词频数

B. 执行结果

(2) jieba 库 和 wordcloud 库 强强联合 --- 词云图

A. 代码实现

 1 # -*- coding:utf-8 -*-
 2 from wordcloud import WordCloud
 3 import matplotlib.pyplot as plt
 4 import numpy as np
 5 from PIL import Image
 6 from jieba import *
 7
 8 def Replace(text,old,new): #替换列表的字符串
 9     for char in old:
10         text = text.replace(char,new)
11     return text
12
13 def getText(filename): #读取文件内容（utf-8 编码格式）
14     #特殊符号和部分无意义的词
15     sign = '''！~·@￥……*“”‘’\n（）{}【】；："'「，」。-、？'''
16     txt = open('{}.txt'.format(filename),encoding='utf-8').read()
17     return Replace(txt,sign," ")
18
19 def creat_word_cloud(filename): #将filename 文件的词语按出现次数输出为词云图
20     text = getText(filename) #读取文件
21     wordlist = lcut(text) #jieba库精确模式分词
22     wl = ' '.join(wordlist) #生成新的字符串
23
24     #设置词云图
25     font = r'C:\Windows\Fonts\simfang.ttf' #设置字体路径
26     wc = WordCloud(
27         background_color = 'black', #背景颜色
28         max_words = 2000,           #设置最大显示的词云数
29         font_path = font,           #设置字体形式（在本机系统中）
30         height = 1200,              #图片高度
31         width = 1600,               #图片宽度
32         max_font_size = 100,        #字体最大值
33         random_state = 100,         #配色方案的种类
34         )
35     myword = wc.generate(wl) #生成词云
36     #展示词云图
37     plt.imshow(myword)
38     plt.axis('off')
39     plt.show()
40     #以原本的filename命名保存词云图
41     wc.to_file('{}.png'.format(filename))
42
43 if __name__ == '__main__':
44     creat_word_cloud('Detective_Novel') #输入文件名生成词云图

B. 执行结果