精华内容
下载资源
问答
  • jieba

    2019-08-12 19:03:16
    import jieba # import jieba.analyse string = "人人编程时我们,适合编程初学者学习python的教材,也是好专业的童鞋关注学习" sl = jieba.cut(string, cut_all=True) print('全的模式:', list(sl)) sl = jieba....
    import jieba
    # import jieba.analyse
    
    string = "人人编程时我们,适合编程初学者学习python的教材,也是好专业的童鞋关注学习"
    
    sl = jieba.cut(string, cut_all=True)
    print('全的模式:', list(sl))
    
    sl = jieba.cut(string, cut_all=False)
    print("精确模式:", list(sl))
    
    sl = jieba.cut(string)
    print('搜索模式:', list(sl))
    
    # 自定义词
    print()
    string = "我是巴拉巴拉小魔仙"
    sl = jieba.cut(string)
    print('自定义前:', list(sl))
    
    add = '巴拉巴拉'
    print('添加自定义词:{}'.format(add))
    jieba.add_word(add)
    sl = jieba.cut(string)
    print('自定义后:', list(sl))
    
    
    # 自定义词库
    print()
    string = "我们python人, play snake"
    sl = jieba.cut(string)
    print('自定义词库前:', list(sl))
    
    jieba.load_userdict('./renren_dict.txt')
    sl = jieba.cut(string)
    print('自定义词库后:', list(sl))
    
    # 切换词库
    print()
    jieba.set_dictionary("./renren_dict.txt")
    sl = jieba.cut(string)
    print('自定义词库路径后:', list(sl))
    
    
    Building prefix dict from the default dictionary ...
    Loading model from cache /var/folders/c9/x_d7fp691xlb1yfr8g4dq35w0000gn/T/jieba.cache
    Loading model cost 1.646 seconds.
    Prefix dict has been built succesfully.
    全的模式: ['人人', '编程', '时', '我们', '', '', '适合', '合编', '编程', '初学', '初学者', '学者', '学习', 'python', '的', '教材', '', '', '也', '是', '好', '专业', '的', '童鞋', '关注', '学习']
    精确模式: ['人人', '编程', '时', '我们', ',', '适合', '编程', '初学者', '学习', 'python', '的', '教材', ',', '也', '是', '好', '专业', '的', '童鞋', '关注', '学习']
    搜索模式: ['人人', '编程', '时', '我们', ',', '适合', '编程', '初学者', '学习', 'python', '的', '教材', ',', '也', '是', '好', '专业', '的', '童鞋', '关注', '学习']
    
    自定义前: ['我', '是', '巴拉巴', '拉小', '魔仙']
    添加自定义词:巴拉巴拉
    自定义后: ['我', '是', '巴拉巴拉', '小', '魔仙']
    
    自定义词库前: ['我们', 'python', '人', ',', ' ', 'play', ' ', 'snake']
    Building prefix dict from /Users/xxx/PycharmProjects/For_testing/renren_dict.txt ...
    Loading model from cache /var/folders/c9/x_d7fp691xlb1yfr8g4dq35w0000gn/T/jieba.ud8a8e3f166da6918462abb03ae939b26.cache
    自定义词库后: ['我们', 'python人', ',', ' ', 'play', ' ', 'snake']
    
    Loading model cost 0.034 seconds.
    自定义词库路径后: ['我们', 'python人', ',', ' ', 'play', ' ', 'snake']
    Prefix dict has been built succesfully.

     

    展开全文
  • Jieba

    2018-09-05 17:45:05
    Jieba库:主要是将字符串分割成单词 import jieba txt = open("threekingdoms.txt", "r", encoding="utf-8").read() # jieba.lcut(str) 将str分成片,...

    Jieba库:主要是将字符串分割成单词

    import jieba
    txt = open("threekingdoms.txt", "r", encoding="utf-8").read()
    # jieba.lcut(str)  将str分成片,不重复
    words = jieba.lcut(txt)
    counts = {}
    for word in words:
    	if len(word) ==1:
    		continue
    	else:
    		# 如果word 不存在,则value默认为0
    		counts[word] = counts.get(word, 0)+1
    # counts.items()是所有的键值对
    items = list(counts.items())
    items.sort(key=lambda x: x[1],reverse=True)
    for i in range(15):
    	word, count = items[i]
    	print("{0:<10}{1:>5}".format(word, count))
    
    
    
    展开全文
  • JieBa

    2019-03-17 10:03:00
    jieba “结巴”中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. Scroll down for ...

    jieba

    “结巴”中文分词:做最好的 Python 中文分词组件

    "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

    • Scroll down for English documentation.

    特点

    • 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

    友情链接

    安装说明

    代码对 Python 2/3 均兼容

    • 全自动安装:easy_install jieba 或者 pip install jieba / pip3 install jieba
    • 半自动安装:先下载 http://pypi.python.org/pypi/jieba/ ,解压后运行 python setup.py install
    • 手动安装:将 jieba 目录放置于当前目录或者 site-packages 目录
    • 通过 import jieba 来引用

    算法

    • 基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
    • 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
    • 对于未登录词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法

    主要功能

    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。

    代码示例

    # encoding=utf-8
    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
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
    print("Default Mode: " + "/ ".join(seg_list))  # 精确模式
    
    seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
    print(", ".join(seg_list))
    
    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(", ".join(seg_list))

    输出:

    【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
    
    【精确模式】: 我/ 来到/ 北京/ 清华大学
    
    【新词识别】:他, 来到, 了, 网易, 杭研, 大厦    (此处,“杭研”并没有在词典中,但是也被Viterbi算法识别出来了)
    
    【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
    
    1. 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 为文件类对象或自定义词典的路径
    • 词典格式和 dict.txt 一样,一个词占一行;每一行分三部分:词语、词频(可省略)、词性(可省略),用空格隔开,顺序不可颠倒。file_name 若为路径或二进制方式打开的文件,则文件必须为 UTF-8 编码。
    • 词频省略时使用自动计算的能保证分出该词的词频。

    例如:

    创新办 3 i
    云计算 5
    凱特琳 nz
    台中
    

    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。

    代码示例:

    >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    如果/放到/post/中将/出错/。
    >>> jieba.suggest_freq(('中', '将'), True)
    494
    >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    如果/放到/post/中/将/出错/。
    >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    「/台/中/」/正确/应该/不会/被/切开
    >>> jieba.suggest_freq('台中', True)
    69
    >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    「/台中/」/正确/应该/不会/被/切开
    1. 关键词提取

    基于 TF-IDF 算法的关键词抽取

    import jieba.analyse

    • jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
      • sentence 为待提取的文本
      • topK 为返回几个 TF/IDF 权重最大的关键词,默认值为 20
      • withWeight 为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
    • jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例,idf_path 为 IDF 频率文件

    代码示例 (关键词提取)

    https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

    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

    关键词提取所使用停止词(Stop Words)文本语料库可以切换成自定义语料库的路径

    关键词一并返回关键词权重值示例

    基于 TextRank 算法的关键词抽取

    • jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用,接口相同,注意默认过滤词性。
    • jieba.analyse.TextRank() 新建自定义 TextRank 实例

    算法论文: TextRank: Bringing Order into Texts

    基本思想:

    1. 将待抽取关键词的文本进行分词
    2. 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
    3. 计算图中节点的PageRank,注意是无向带权图

    使用示例:

    见 test/demo.py

    1. 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。
    • 用法示例
    >>> import jieba.posseg as pseg
    >>> words = pseg.cut("我爱北京天安门")
    >>> for word, flag in words:
    ...    print('%s %s' % (word, flag))
    ...
    我 r
    爱 v
    北京 ns
    天安门 ns
    1. 并行分词

    • 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
    • 例子:https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

    • 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

    1. Tokenize:返回词语在原文的起止位置

    • 注意,输入参数只接受 unicode
    • 默认模式
    result = jieba.tokenize(u'永和服装饰品有限公司')
    for tk in result:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
    word 永和                start: 0                end:2
    word 服装                start: 2                end:4
    word 饰品                start: 4                end:6
    word 有限公司            start: 6                end:10
    
    
    • 搜索模式
    result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
    for tk in result:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
    word 永和                start: 0                end:2
    word 服装                start: 2                end:4
    word 饰品                start: 4                end:6
    word 有限                start: 6                end:8
    word 公司                start: 8                end:10
    word 有限公司            start: 6                end:10
    
    1. ChineseAnalyzer for Whoosh 搜索引擎

    1. 命令行分词

    使用示例:python -m jieba news.txt > cut_result.txt

    命令行选项(翻译):

    使用: python -m jieba [options] filename
    
    结巴命令行界面。
    
    固定参数:
      filename              输入文件
    
    可选参数:
      -h, --help            显示此帮助信息并退出
      -d [DELIM], --delimiter [DELIM]
                            使用 DELIM 分隔词语,而不是用默认的' / '。
                            若不指定 DELIM,则使用一个空格分隔。
      -p [DELIM], --pos [DELIM]
                            启用词性标注;如果指定 DELIM,词语和词性之间
                            用它分隔,否则用 _ 分隔
      -D DICT, --dict DICT  使用 DICT 代替默认词典
      -u USER_DICT, --user-dict USER_DICT
                            使用 USER_DICT 作为附加词典,与默认词典或自定义词典配合使用
      -a, --cut-all         全模式分词(不支持词性标注)
      -n, --no-hmm          不使用隐含马尔可夫模型
      -q, --quiet           不输出载入信息到 STDERR
      -V, --version         显示版本信息并退出
    
    如果没有指定文件名,则使用标准输入。
    

    --help 选项输出:

    $> python -m jieba --help
    Jieba command line interface.
    
    positional arguments:
      filename              input file
    
    optional arguments:
      -h, --help            show this help message and exit
      -d [DELIM], --delimiter [DELIM]
                            use DELIM instead of ' / ' for word delimiter; or a
                            space if it is used without DELIM
      -p [DELIM], --pos [DELIM]
                            enable POS tagging; if DELIM is specified, use DELIM
                            instead of '_' for POS delimiter
      -D DICT, --dict DICT  use DICT as dictionary
      -u USER_DICT, --user-dict USER_DICT
                            use USER_DICT together with the default dictionary or
                            DICT (if specified)
      -a, --cut-all         full pattern cutting (ignored with POS tagging)
      -n, --no-hmm          don't use the Hidden Markov Model
      -q, --quiet           don't print loading messages to stderr
      -V, --version         show program's version number and exit
    
    If no filename specified, use STDIN instead.
    

    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')
    

    例子: https://github.com/fxsjy/jieba/blob/master/test/test_change_dictpath.py

    其他词典

    1. 占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

    2. 支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

    下载你所需要的词典,然后覆盖 jieba/dict.txt 即可;或者用 jieba.set_dictionary('data/dict.txt.big')

    其他语言实现

    结巴分词 Java 版本

    作者:piaolingxue 地址:https://github.com/huaban/jieba-analysis

    结巴分词 C++ 版本

    作者:yanyiwu 地址:https://github.com/yanyiwu/cppjieba

    结巴分词 Node.js 版本

    作者:yanyiwu 地址:https://github.com/yanyiwu/nodejieba

    结巴分词 Erlang 版本

    作者:falood 地址:https://github.com/falood/exjieba

    结巴分词 R 版本

    作者:qinwf 地址:https://github.com/qinwf/jiebaR

    结巴分词 iOS 版本

    作者:yanyiwu 地址:https://github.com/yanyiwu/iosjieba

    结巴分词 PHP 版本

    作者:fukuball 地址:https://github.com/fukuball/jieba-php

    结巴分词 .NET(C#) 版本

    作者:anderscui 地址:https://github.com/anderscui/jieba.NET/

    结巴分词 Go 版本

    结巴分词Android版本

    系统集成

    1. Solr: https://github.com/sing1ee/jieba-solr

    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

    常见问题

    1. 模型的数据是如何生成的?

    详见: https://github.com/fxsjy/jieba/issues/7

    2. “台中”总是被切成“台 中”?(以及类似情况)

    P(台中) < P(台)×P(中),“台中”词频不够导致其成词概率较低

    解决方法:强制调高词频

    jieba.add_word('台中') 或者 jieba.suggest_freq('台中', True)

    3. “今天天气 不错”应该被切成“今天 天气 不错”?(以及类似情况)

    解决方法:强制调低词频

    jieba.suggest_freq(('今天', '天气'), True)

    或者直接删除该词 jieba.del_word('今天天气')

    4. 切出了词典中没有的词语,效果不理想?

    解决方法:关闭新词发现

    jieba.cut('丰田太省了', HMM=False) jieba.cut('我们中出了一个叛徒', HMM=False)

    更多问题请点击:https://github.com/fxsjy/jieba/issues?sort=updated&state=closed

    修订历史

    https://github.com/fxsjy/jieba/blob/master/Changelog


    jieba

    "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.

    Features

    • Support three types of segmentation mode:
    1. Accurate Mode attempts to cut the sentence into the most accurate segmentations, which is suitable for text analysis.
    2. Full Mode gets all the possible words from the sentence. Fast but not accurate.
    3. Search Engine Mode, based on the Accurate Mode, attempts to cut long words into several short words, which can raise the recall rate. Suitable for search engines.
    • Supports Traditional Chinese
    • Supports customized dictionaries
    • MIT License

    Online demo

    http://jiebademo.ap01.aws.af.cm/

    (Powered by Appfog)

    Usage

    • Fully automatic installation: easy_install jieba or pip install jieba
    • Semi-automatic installation: Download http://pypi.python.org/pypi/jieba/ , run python setup.py install after extracting.
    • Manual installation: place the jieba directory in the current directory or python site-packages directory.
    • import jieba.

    Algorithm

    • Based on a prefix dictionary structure to achieve efficient word graph scanning. Build a directed acyclic graph (DAG) for all possible word combinations.
    • Use dynamic programming to find the most probable combination based on the word frequency.
    • For unknown words, a HMM-based model is used with the Viterbi algorithm.

    Main Functions

    1. Cut

    • The jieba.cut function accepts three input parameters: the first parameter is the string to be cut; the second parameter is cut_all, controlling the cut mode; the third parameter is to control whether to use the Hidden Markov Model.
    • jieba.cut_for_search accepts two parameter: the string to be cut; whether to use the Hidden Markov Model. This will cut the sentence into short words suitable for search engines.
    • The input string can be an unicode/str object, or a str/bytes object which is encoded in UTF-8 or GBK. Note that using GBK encoding is not recommended because it may be unexpectly decoded as UTF-8.
    • jieba.cut and jieba.cut_for_search returns an generator, from which you can use a for loop to get the segmentation result (in unicode).
    • jieba.lcut and jieba.lcut_for_search returns a list.
    • jieba.Tokenizer(dictionary=DEFAULT_DICT) creates a new customized Tokenizer, which enables you to use different dictionaries at the same time. jieba.dt is the default Tokenizer, to which almost all global functions are mapped.

    Code example: segmentation

    #encoding=utf-8
    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
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
    print("Default Mode: " + "/ ".join(seg_list))  # 默认模式
    
    seg_list = jieba.cut("他来到了网易杭研大厦")
    print(", ".join(seg_list))
    
    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(", ".join(seg_list))

    Output:

    [Full Mode]: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
    
    [Accurate Mode]: 我/ 来到/ 北京/ 清华大学
    
    [Unknown Words Recognize] 他, 来到, 了, 网易, 杭研, 大厦    (In this case, "杭研" is not in the dictionary, but is identified by the Viterbi algorithm)
    
    [Search Engine Mode]: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
    
    1. Add a custom dictionary

    Load dictionary

    • Developers can specify their own custom dictionary to be included in the jieba default dictionary. Jieba is able to identify new words, but you can add your own new words can ensure a higher accuracy.
    • Usage: jieba.load_userdict(file_name) # file_name is a file-like object or the path of the custom dictionary
    • The dictionary format is the same as that of dict.txt: one word per line; each line is divided into three parts separated by a space: word, word frequency, POS tag. If file_name is a path or a file opened in binary mode, the dictionary must be UTF-8 encoded.
    • The word frequency and POS tag can be omitted respectively. The word frequency will be filled with a suitable value if omitted.

    For example:

    创新办 3 i
    云计算 5
    凱特琳 nz
    台中
    
    • Change a Tokenizer's tmp_dir and cache_file to specify the path of the cache file, for using on a restricted file system.

    • Example:

        云计算 5
        李小福 2
        创新办 3
      
        [Before]: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
      
        [After]: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
      

    Modify dictionary

    • Use add_word(word, freq=None, tag=None) and del_word(word) to modify the dictionary dynamically in programs.

    • Use suggest_freq(segment, tune=True) to adjust the frequency of a single word so that it can (or cannot) be segmented.

    • Note that HMM may affect the final result.

    Example:

    >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    如果/放到/post/中将/出错/。
    >>> jieba.suggest_freq(('中', '将'), True)
    494
    >>> print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
    如果/放到/post/中/将/出错/。
    >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    「/台/中/」/正确/应该/不会/被/切开
    >>> jieba.suggest_freq('台中', True)
    69
    >>> print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
    「/台中/」/正确/应该/不会/被/切开
    1. Keyword Extraction

    import jieba.analyse

    • jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
      • sentence: the text to be extracted
      • topK: return how many keywords with the highest TF/IDF weights. The default value is 20
      • withWeight: whether return TF/IDF weights with the keywords. The default value is False
      • allowPOS: filter words with which POSs are included. Empty for no filtering.
    • jieba.analyse.TFIDF(idf_path=None) creates a new TFIDF instance, idf_path specifies IDF file path.

    Example (keyword extraction)

    https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py

    Developers can specify their own custom IDF corpus in jieba keyword extraction

    Developers can specify their own custom stop words corpus in jieba keyword extraction

    There's also a TextRank implementation available.

    Use: jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v'))

    Note that it filters POS by default.

    jieba.analyse.TextRank() creates a new TextRank instance.

    1. Part of Speech Tagging

    • jieba.posseg.POSTokenizer(tokenizer=None) creates a new customized Tokenizer. tokenizer specifies the jieba.Tokenizer to internally use. jieba.posseg.dt is the default POSTokenizer.
    • Tags the POS of each word after segmentation, using labels compatible with ictclas.
    • Example:
    >>> import jieba.posseg as pseg
    >>> words = pseg.cut("我爱北京天安门")
    >>> for w in words:
    ...    print('%s %s' % (w.word, w.flag))
    ...
    我 r
    爱 v
    北京 ns
    天安门 ns
    1. Parallel Processing

    • Principle: Split target text by line, assign the lines into multiple Python processes, and then merge the results, which is considerably faster.

    • Based on the multiprocessing module of Python.

    • Usage:

      • jieba.enable_parallel(4) # Enable parallel processing. The parameter is the number of processes.
      • jieba.disable_parallel() # Disable parallel processing.
    • Example: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py

    • Result: On a four-core 3.4GHz Linux machine, do accurate word segmentation on Complete Works of Jin Yong, and the speed reaches 1MB/s, which is 3.3 times faster than the single-process version.

    • Note that parallel processing supports only default tokenizers, jieba.dt and jieba.posseg.dt.

    1. Tokenize: return words with position

    • The input must be unicode
    • Default mode
    result = jieba.tokenize(u'永和服装饰品有限公司')
    for tk in result:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
    word 永和                start: 0                end:2
    word 服装                start: 2                end:4
    word 饰品                start: 4                end:6
    word 有限公司            start: 6                end:10
    
    
    • Search mode
    result = jieba.tokenize(u'永和服装饰品有限公司',mode='search')
    for tk in result:
        print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
    word 永和                start: 0                end:2
    word 服装                start: 2                end:4
    word 饰品                start: 4                end:6
    word 有限                start: 6                end:8
    word 公司                start: 8                end:10
    word 有限公司            start: 6                end:10
    
    1. ChineseAnalyzer for Whoosh

    1. Command Line Interface

    $> python -m jieba --help
    Jieba command line interface.
    
    positional arguments:
      filename              input file
    
    optional arguments:
      -h, --help            show this help message and exit
      -d [DELIM], --delimiter [DELIM]
                            use DELIM instead of ' / ' for word delimiter; or a
                            space if it is used without DELIM
      -p [DELIM], --pos [DELIM]
                            enable POS tagging; if DELIM is specified, use DELIM
                            instead of '_' for POS delimiter
      -D DICT, --dict DICT  use DICT as dictionary
      -u USER_DICT, --user-dict USER_DICT
                            use USER_DICT together with the default dictionary or
                            DICT (if specified)
      -a, --cut-all         full pattern cutting (ignored with POS tagging)
      -n, --no-hmm          don't use the Hidden Markov Model
      -q, --quiet           don't print loading messages to stderr
      -V, --version         show program's version number and exit
    
    If no filename specified, use STDIN instead.
    

    Initialization

    By default, Jieba don't build the prefix dictionary unless it's necessary. This takes 1-3 seconds, after which it is not initialized again. If you want to initialize Jieba manually, you can call:

    import jieba
    jieba.initialize()  # (optional)
    

    You can also specify the dictionary (not supported before version 0.28) :

    jieba.set_dictionary('data/dict.txt.big')
    

    Using Other Dictionaries

    It is possible to use your own dictionary with Jieba, and there are also two dictionaries ready for download:

    1. A smaller dictionary for a smaller memory footprint: https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small

    2. There is also a bigger dictionary that has better support for traditional Chinese (繁體):https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big

    By default, an in-between dictionary is used, called dict.txt and included in the distribution.

    In either case, download the file you want, and then call jieba.set_dictionary('data/dict.txt.big') or just replace the existing dict.txt.

    Segmentation speed

    • 1.5 MB / Second in Full Mode
    • 400 KB / Second in Default Mode
    • Test Env: Intel(R) Core(TM) i7-2600 CPU @ 3.4GHz;《围城》.txt

    转载于:https://www.cnblogs.com/yh-z/p/10420155.html

    展开全文
  • NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分) 输出结果 1、测试对象 data1= '今天上海的天气真好!我的心情非常高兴!如果去旅游的话我会非常兴奋!和你一起去旅游我会更加...

    NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)

     

     

     

     

    目录

    输出结果

    设计思路

    相关资料

    1、关于代码

    2、关于数据集

    关于留言

    1、留言内容的注意事项

    2、如何留言?

    2.1、第一种方法——在对应的博客下留言

    2.2、备用第二种方法——论坛发帖

    后续补充发放资料的说明

    主要部分代码实现


     

     

    输出结果

    1、测试对象
    data1= '今天上海的天气真好!我的心情非常高兴!如果去旅游的话我会非常兴奋!和你一起去旅游我会更加幸福!'
    data2= '今天上海天气真差,非常讨厌下雨,把我冻坏了,心情太不高兴了,不高兴,我真的很生气!'
    data3= '美国华裔科学家,祖籍江苏扬州市高邮县,生于上海,斯坦福大学物理系,电子工程系和应用物理系终身教授!'

    2、输出结果
    很明显,data1情感更加积极!data2情感消极!data3情感中等!

    [[240.0, 104.0, 8.3, 3.6, 8.0, 2.4]]
    [[0.0, 134.0, 0.0, 4.8, 0.0, 3.2]]
    [[2, 66, 0.1, 3.3, 0.4, 1.7]]
    [[2, 2, 0.1, 0.1, 0.4, 0.4]]

     

    设计思路

    后期更新……

     

     

    相关资料

    1、关于代码

    NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码
     

    2、关于数据集

    如需数据集,请留言向博主索取。
    :当前为学生身份的网友,可留言向博主索取。非学生身份的社会人士,请靠积分下载!

     

     

    关于留言

    1、留言内容的注意事项

    • 1、请新增评论,不要直接回复,折叠后,我容易看不到,会漏掉。
    • 2、请在前缀加一个索取资料的当天日期。
    • 3、切记要留下邮箱!!!

    比如留言:“20200307,早上10.11,你好,博主,我的邮箱是,我想索取……”

     


    2、如何留言?

    2.1、第一种方法——在对应的博客下留言

    即在本博客下直接留言即可!

     

    2.2、备用第二种方法——论坛发帖

    在我的论坛中发帖即可,我会及时回复。
    地址:https://bbs.csdn.net/topics/395531480

     

     

    后续补充发放资料的说明

    此类网友,太伤人心,这位网友,一定不是大学生,当代大学生的素质肯定比这位网友高的多。

     

    主要部分代码实现

    import jieba
    import numpy as np
    
    ……
    
    
    def sentiment_score_list(dataset):
        seg_sentence = dataset.split('。')
    
        count1 = []
        count2 = []
        for sen in seg_sentence: #循环遍历每一个评论
            segtmp = jieba.lcut(sen, cut_all=False)  #把句子进行分词,以列表的形式返回
            i = 0 #记录扫描到的词的位置
            a = 0 #记录情感词的位置
            poscount = 0 #积极词的第一次分值
            poscount2 = 0 #积极词反转后的分值
            poscount3 = 0 #积极词的最后分值(包括叹号的分值)
            negcount = 0
            negcount2 = 0
            negcount3 = 0
            for word in segtmp:
                if word in posdict:  # 判断词语是否是情感词
                    poscount += 1
                    c = 0
                    for w in segtmp[a:i]:  # 扫描情感词前的程度词
                        if w in mostdict:
                            poscount *= 4.0
                        elif w in verydict:
                            poscount *= 3.0
                        elif w in moredict:
                            poscount *= 2.0
                        elif w in ishdict:
                            poscount *= 0.5
                        elif w in deny_word:
                            c += 1
                    if judgeodd(c) == 'odd':  # 扫描情感词前的否定词数
                        poscount *= -1.0
                        poscount2 += poscount
                        poscount = 0
                        poscount3 = poscount + poscount2 + poscount3
                        poscount2 = 0
                    else:
                        poscount3 = poscount + poscount2 + poscount3
                        poscount = 0
                    a = i + 1  # 情感词的位置变化
    
                elif word in negdict:  # 消极情感的分析,与上面一致
                    negcount += 1
                    d = 0
                    for w in segtmp[a:i]:
                        if w in mostdict:
                            negcount *= 4.0
                        elif w in verydict:
                            negcount *= 3.0
                        elif w in moredict:
                            negcount *= 2.0
                        elif w in ishdict:
                            negcount *= 0.5
                        elif w in degree_word:
                            d += 1
                    if judgeodd(d) == 'odd':
                        negcount *= -1.0
                        negcount2 += negcount
                        negcount = 0
                        negcount3 = negcount + negcount2 + negcount3
                        negcount2 = 0
                    else:
                        negcount3 = negcount + negcount2 + negcount3
                        negcount = 0
                    a = i + 1
                elif word == '!' or word == '!':  ##判断句子是否有感叹号
                    for w2 in segtmp[::-1]:  # 扫描感叹号前的情感词,发现后权值+2,然后退出循环
                        if w2 in posdict or negdict:
                            poscount3 += 2
                            negcount3 += 2
                            break
                i += 1 # 扫描词位置前移
    
    
                # 以下是防止出现负数的情况
                pos_count = 0
                neg_count = 0
                if poscount3 < 0 and negcount3 > 0:
                    neg_count += negcount3 - poscount3
                    pos_count = 0
                elif negcount3 < 0 and poscount3 > 0:
                    pos_count = poscount3 - negcount3
                    neg_count = 0
                elif poscount3 < 0 and negcount3 < 0:
                    neg_count = -poscount3
                    pos_count = -negcount3
                else:
                    pos_count = poscount3
                    neg_count = negcount3
    
                count1.append([pos_count, neg_count])
            count2.append(count1)
            count1 = []
    
        return count2
    
    def sentiment_score(senti_score_list):
        score = []
        for review in senti_score_list:
            score_array = np.array(review)
            Pos = np.sum(score_array[:, 0])
            Neg = np.sum(score_array[:, 1])
            AvgPos = np.mean(score_array[:, 0])
            AvgPos = float('%.1f'%AvgPos)
            AvgNeg = np.mean(score_array[:, 1])
            AvgNeg = float('%.1f'%AvgNeg)
            StdPos = np.std(score_array[:, 0])
            StdPos = float('%.1f'%StdPos)
            StdNeg = np.std(score_array[:, 1])
            StdNeg = float('%.1f'%StdNeg)
            score.append([Pos, Neg, AvgPos, AvgNeg, StdPos, StdNeg])
        return score
    
    
    
    data1= '今天上海的天气真好!我的心情非常高兴!如果去旅游的话我会非常兴奋!和你一起去旅游我会更加幸福!'
    data2= '今天上海天气真差,非常讨厌下雨,把我冻坏了,心情太不高兴了,不高兴,我真的很生气!'
    data3= '美国华裔科学家,祖籍江苏扬州市高邮县,生于上海,斯坦福大学物理系,电子工程系和应用物理系终身教授!'
    print(sentiment_score(sentiment_score_list(data1)))
    print(sentiment_score(sentiment_score_list(data2)))
    print(sentiment_score(sentiment_score_list(data3)))

     

    展开全文
  • Python中文分词 jieba 十五分钟入门与进阶

    万次阅读 多人点赞 2017-05-27 16:21:04
    整体介绍jieba 基于Python的中文分词工具,安装使用非常方便,直接pip即可,2/3都可以,功能强悍,博主十分推荐 github:https://github.com/fxsjy/jieba 开源中国地址:...
  • Python jieba分词的简单使用

    万次阅读 2020-07-13 15:10:00
    pip install jieba 我/今天/早上/遇到/一个/美女/要/电话/,/美女/说/你/有/病/,/我/回答/正是/是因为/因为/你/我/才/害/的/相思/相思病 我/今天/早上/遇到/一个/美女/要/电话/,/美女/说/你/有/病/,/我/回答/正是/...
  • jieba “结巴”中文分词:做最好的 Python 中文分词组件 "Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module. Scroll down for ...
  • 基于python中jieba包的中文分词中详细使用(一)

    万次阅读 多人点赞 2018-05-06 12:43:21
    基于python中jieba包的中文分词中详细使用(一) 01.前言 02.jieba的介绍 02.1 What 02.2特点 02.3安装与使用 02.4涉及到的算法 03.主要功能 03.01分词 03.02添加自定义词典 03.02调整词典 04.结束语 ...
  • jieba分词jieba分词jieba.NET-master.zip
  • jieba安装下载

    万次阅读 多人点赞 2019-03-14 21:56:00
    插入一条: 有个更快安装下载jieba的方法,用镜像下载,非常快,2秒就行 pip install jieba -i https://pypi.douban.com/simple/ 1、打开官方网站:https://pypi.org/project/jieba/#files 2、下载,安装在安装...
  • jieba

    2020-09-01 15:19:48
    文章目录jieba jieba
  • jieba分词

    2020-04-10 13:26:43
    文章目录jieba的简单使用 jieba的简单使用
  • jieba

    2020-07-01 15:42:09
    jieba 库 安装jieba库 命令行模式下使用pip即可安装 jieba分词原理 jieba分词依靠中文词库 利用一个中文题库,确定汉字直接的关联概率 汉字间概率大的组成词组,形成分词结果 除了分词,用户还可以添加自定义的...
  • jieba学习

    2021-02-03 17:59:03
    jieba的安装 先在 [http://pypi.python.org/pypi/jieba/]下载 ,解压后运行 python setup.py install 或者pin install jieba import jieba ''' jieba.enable_paddle()# 启动paddle模式。 0.40版之后开始支持,早期...
  • jieba支持三种分词模式:全模式:jieba.cut(sentence, cut_all=True) # 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;精确模式:jieba.cut(sentence) # 试图将句子最精确地切开,适合...
  • jieba中文分词组件

    万次阅读 2019-05-21 18:16:27
    jieba简介 组件特点 安装方法 算法 使用jieba 分词 添加自定义词典 载入词典 调整词典 关键词提取 基于 TF-IDF 算法的关键词抽取 基于 TextRank 算法的关键词抽取 词性标注 并行分词 Tokenize:返回...
  • jieba-rs:在Rust中实现的jieba中文分词
  • Anaconda安装jieba、wordcloud等第三方库

    万次阅读 多人点赞 2018-02-04 17:30:50
    本文是jieba在anaconda中的安装方法,wordcloud等第三方库与jieba安装方法相同,这里是wordcloud包的下载地址 许多论坛中说使用conda install jieba安装,我的尝试是不可行的。我发现jieba作为一个第三方库,并不...
  • jieba:利用jieba分词

    2020-02-25 11:12:52
    jieba提供了三种分词模式,分别是全模式,精确模式和搜索引擎模式。 全模式下会将所有可能的词语都进行分词,精确模式下会尽可能的将句子精确切开,搜索引擎模式实在精确模式的基础上,对长词再进行划分,提高分词...
  • jieba 分词

    2021-02-22 12:09:17
    jieba: “结巴”中文分词:做最好的 Python 中文分词组件 “Jieba” (Chinese for “to stutter”) Chinese text segmentation: built to be the best Python Chinese word segmentation module. 完整文档见 : ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 10,729
精华内容 4,291
关键字:

jieba