python Jieba 导入word文本 python怎么导入jieba库

安装

jieba 是一个第三方库，所有需要我们在本地进行安装。
Windows 下使用命令安装：在联网状态下，在anaconda命令行下输入 pip install jieba 进行安装，安装完成后会提示安装成功 .

分词使用

分词的语法就不讲解啦，什么前向匹配，逆向匹配，还需要一个足够大的本地词典。自己构造挺麻烦的。
直接使用包吧。
直接使用jieba.cut

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Author: yudengwu(余登武）
# @Date  : 2020/9/10
#@email:1344732766@

import jieba

sentence="《乘风破浪的姐姐》现在已经播出到了第2期节目，在初舞台之后，现在大家都对姐姐们的实力是有所了解的了。"
c=jieba.cut(sentence)
print(c)
d=[i for i in c]
print(d)

直接使用jieba.cut()返回的是一个对象。

我们更多需要用一个迭代器是结果显示出来。[i for i in c]

全模式分词

如输入北京大学

jieba.cut(sentence,cut_all=True)

搜索引擎分词

c=jieba.cut_for_search(sentence)

使用jieba.lcut分词`
jieba.lcut()也可以使用全模式搜索，添加参数cut_all=True

import jieba

sentence="《乘风破浪的姐姐》现在已经播出到了第2期节目，在初舞台之后，现在大家都对姐姐们的实力是有所了解的了。"
c=jieba.lcut(sentence)
print(c)

分词结果是一个数组，非对象。

修改词典

在现实生活中，有时候我们希望一个词不被分开，可以修改jieba的词典。
add_word(word, freq=None, tag=None) 和 del_word(word) #动态修改

import jieba
jieba.add_word('乘风破浪的姐姐',freq = 20000, tag = None)
sentence="《乘风破浪的姐姐》现在已经播出到了第2期节目，在初舞台之后，现在大家都对姐姐们的实力是有所了解的了。"
c=jieba.lcut(sentence)
print(c)

我们将乘风破浪的姐姐固定为一个词语，就不会被分开啦。

往jieba里添加自定义词是临时的，不会存在下一个事务中。

统计词频

import jieba
sentence="《乘风破浪的姐姐》现在已经播出到了第2期节目，在初舞台之后，现在大家都对姐姐们的实力是有所了解的了。"
words = jieba.lcut(sentence)     # 使用精确模式对文本进行分词
counts = {}     # 通过键值对的形式存储词语及其出现的次数
for word in words:
    if len(word) == 1:    # 单个词语不计算在内
        continue
    else:
        counts[word] = counts.get(word, 0) + 1    # 遍历所有词语，每出现一次其对应的值加 1
items = list(counts.items())
print(items)
items.sort(key=lambda x: x[1], reverse=True)    # 根据词语出现的次数进行从大到小排序

for i in range(3):
    word, count = items[i]
    print("{0}:{1}".format(word, count))

使用CountVectorizer统计词频

import jieba
sentence="《乘风破浪的姐姐》现在已经播出到了第2期节目，在初舞台之后，现在大家都对姐姐们的实力是有所了解的了。"
words = jieba.lcut(sentence)     # 使用精确模式对文本进行分词
from sklearn.feature_extraction.text import CountVectorizer
cv = CountVectorizer()#创建词袋数据结构
cv_fit=cv.fit_transform(words)
#上述代码等价于下面两行
#cv.fit(texts)
#cv_fit=cv.transform(texts)
print(cv.get_feature_names())    #列表形式呈现文章生成的词典
#['之后', '乘风破浪', '了解', '大家', '姐姐', '实力', '已经', '播出', '有所', '现在', '舞台', '节目']
print(cv.vocabulary_	)#{词：词频}
#{'乘风破浪': 1, '姐姐': 4, '现在': 9, '已经': 6, '播出': 7, '节目': 11, '舞台': 10, '之后': 0, '大家': 3, '实力': 5, '有所': 8, '了解': 2}

词性标注

jieba分词的词性标注过程非常类似于jieba分词的分词流程，同时进行分词和词性标注。

在词性标注的时候，首先基于正则表达式（汉字）进行判断，1）如果是汉字，则会基于前缀词典构建有向无环图，然后基于有向图计算最大概率路径，同时在前缀词典中查找所分出的词的词性，如果没有找到，则将其词性标注为“x”（非语素字 非语素字只是一个符号，字母x通常用于代表未知数、符号）；如果HMM标志位置位，并且该词为未登录词，则通过隐马尔科夫模型对其进行词性标注；2）如果是其它，则根据正则表达式判断其类型，分别赋予“x”，“m”（数词 取英语numeral的第3个字母，n，u已有他用），“eng”（英文）。流程图如下所示。
大白话讲解就是：先根据分词结果查找词典词性，给大多数词打上词性，未打上词性的单词再根据HMM模型打上词性。

jieba词性表，概括了绝大部分

英文简写	中文	例子
a	形容词	很贵 挺好用
ad	副形词	努目 完全
ag	形语素	详 笃 睦
an	名形词	困苦 危难
b	区别词	超常规 同一性
c	连词	以外 换句话
d	副词	幸免 四顾 绝对
dg	副语素	俱 辄
e	叹词	好哟 嗄
f	方位词	内侧 以来
h	前接成分	非 超低
i	成语
j	简称略语	交警 中低收入 四个现代
k	后接成分	型 者 式 们
l	习用语	由下而上 十字路口
m	数词	九六 十二
mg	数语素	寅 巳
mq	数量词	半年度 四方面
n	名词	气压 写实性
ng	名语素	诀 卉 茗 鹊 娃 寨 酊 钬
nr	人名
nrfg	古近代人名	张飞 赵云 任弼时
nrt	音译人名	米尔科 达尼丁
ns	地名
nt	机构团体	浙江队 中医院 中华网 铁道部
nz	其他专名	培根 补丁 圣战士 英属 国药准字
o	拟声词	哈喇 咝 哗喇 咔喳 飕 哇哇
p	介词	顺当 顺着 借了 连着
q	量词	毫厘 盅 封 千瓦小时
r	代词	该车 这时 那些
rg	代语素	兹
t	时间词	新一代 清时 先上去 月初 昔年 无日
tg	时间语素	昔 晚 春 现 暮 夕 宵
u	助词	则否 等 恁地 等等 似的 来说 矣哉 来看 般 的话
v	动词
vd	副动词
y	语气词
z	状态词

如何查看jieba的所有词性，见代码

import jieba, pandas as pd, os
jieba_dict = os.path.dirname(jieba.__file__) + '/dict.txt'
df_jieba = pd.read_table(jieba_dict, sep=' ', header=None)[[2, 0]]
dt = {k: set() for k in df_jieba[2].values}
for f, w in df_jieba.values:dt[f].add(w)
ls_of_ls = [(f, len(w), ' '.join(list(w)[:50])) for f, w in dt.items()]
pd.DataFrame(ls_of_ls, columns=['词性', '数量', '例子.']).sort_values('词性').to_csv('flag.csv', index=None)

生成的表格

词性我们一般关注 时间，地名，机构名。用于做命名实体识别。
命名实体识别：一般是词性标注加正则。
我是一个学电气的，我怎么懂得这些人工智能方面的知识。

词性标注

import jieba.posseg as pseg
words =pseg.cut("我爱北京天安门,我希望我以后的儿子能去清华大学读书")
for w in words:
  print(w.word,w.flag)

词性标注 如果我们只想获得机构名

import jieba.posseg as pseg
words =pseg.cut("我爱北京天安门,我希望我以后的儿子能去清华大学读书")

c=[w.word for w in words if w.flag=='nt']
print(c)