Python 中文分词 jieba（小白进）

0、安装

法1：Anaconda Prompt下输入conda install jieba

法2：Terminal下输入pip3 install jieba

1、分词

1.1、CUT函数简介

• cut(sentence, cut_all=False, HMM=True)
• 返回 生成器，遍历生成器即可获得分词的结果
• lcut(sentence)
• 返回 分词列表

import jieba
sentence = '我爱自然语言处理'
# 创建【Tokenizer.cut 生成器】对象
generator = jieba.cut(sentence)
# 遍历生成器，打印分词结果
words = '/'.join(generator)
print(words)

• 打印结果
• 我/爱/自然语言/处理

import jieba
print(jieba.lcut('我爱南海中学'))

• 打印结果
• [‘我’, ‘爱’, ‘南海中学’]

1.2、分词模式

• 精确模式
• 精确地切开
• 全模式
• 所有可能的词语都切出，速度快
• 搜索引擎模式
• 在精确模式的基础上，对长词再次切分

import jieba
sentence = '订单数据分析'
print('精准模式：', jieba.lcut(sentence))
print('全模式：', jieba.lcut(sentence, cut_all=True))
print('搜索引擎模式：', jieba.lcut_for_search(sentence))

• 打印结果
• 精准模式： [‘订单’, ‘数据分析’]
  全模式： [‘订单’, ‘订单数’, ‘单数’, ‘数据’, ‘数据分析’, ‘分析’]
  搜索引擎模式： [‘订单’, ‘数据’, ‘分析’, ‘数据分析’]

1.3、词性标注

• jieba.posseg

import jieba.posseg as jp
sentence = '我爱Python数据分析'
posseg = jp.cut(sentence)
for i in posseg:
    print(i.__dict__)
    # print(i.word, i.flag)

• 打印结果
• {‘word’: ‘我’, ‘flag’: ‘r’}
  {‘word’: ‘爱’, ‘flag’: ‘v’}
  {‘word’: ‘Python’, ‘flag’: ‘eng’}
  {‘word’: ‘数据分析’, ‘flag’: ‘l’}

词性标注表

1.4、词语出现的位置

• jieba.tokenize(sentence)

import jieba
sentence = '订单数据分析'
generator = jieba.tokenize(sentence)
for position in generator:
    print(position)

• 打印结果
• (‘订单’, 0, 2)
  (‘数据分析’, 2, 6)

2、词典

2.1、默认词典

import jieba, os, pandas as pd
# 词典所在位置
print(jieba.__file__)
jieba_dict = os.path.dirname(jieba.__file__) + r'\dict.txt'
# 读取字典
df = pd.read_table(jieba_dict, sep=' ', header=None)[[0, 2]]
print(df.head())
# 转字典
dt = dict(df.values)
print(dt.get('暨南大学'))

2.2、添词和删词

• 往词典添词
• add_word(word, freq=None, tag=None)
• 往词典删词，等价于 add_word(word, freq=0)
• del_word(word)

import jieba
sentence = '天长地久有时尽，此恨绵绵无绝期'
# 添词
jieba.add_word('时尽', 999, 'nz')
print('添加【时尽】：', jieba.lcut(sentence))
# 删词
jieba.del_word('时尽')
print('删除【时尽】：', jieba.lcut(sentence))

• 打印结果
• 添加【时尽】： [‘天长地久’, ‘有’, ‘时尽’, ‘，’, ‘此恨绵绵’, ‘无’, ‘绝期’]
  删除【时尽】： [‘天长地久’, ‘有时’, ‘尽’, ‘，’, ‘此恨绵绵’, ‘无’, ‘绝期’]

2.3、自定义词典加载

1. 新建词典，按照格式【单词 词频 词性】添词，以UTF-8编码保存
2. 使用函数load_userdict加载词典

import os, jieba
# 创建自定义字典
my_dict = 'my_dict.txt'
with open(my_dict, 'w', encoding='utf-8') as f:
    f.write('慕容紫英 9 nr\n云天河 9 nr\n天河剑 9 nz')
# 加载字典进行测试
sentence = '慕容紫英为云天河打造了天河剑'
print('加载前：', jieba.lcut(sentence))
jieba.load_userdict(my_dict)
print('加载后：', jieba.lcut(sentence))
os.remove(my_dict)

• 打印结果
• 加载前： [‘慕容’, ‘紫英为’, ‘云’, ‘天河’, ‘打造’, ‘了’, ‘天河’, ‘剑’]
  加载后： [‘慕容紫英’, ‘为’, ‘云天河’, ‘打造’, ‘了’, ‘天河剑’]

2.4、使单词中的字符连接或拆分

• suggest_freq(segment, tune=False)

import jieba
sentence = '上穷碧落下黄泉，两处茫茫皆不见'
print('修正前：', ' | '.join(jieba.cut(sentence)))
jieba.suggest_freq(('落', '下'), True)
print('修正后：', ' | '.join(jieba.cut(sentence)))

• 打印结果
• 修正前： 上穷 | 碧 | 落下 | 黄泉 | ， | 两处 | 茫茫 | 皆 | 不见
  修正后： 上穷 | 碧落 | 下 | 黄泉 | ， | 两处 | 茫茫 | 皆 | 不见

3、jieba分词原理

1. 基于词典，对句子进行词图扫描，生成所有成词情况所构成的有向无环图（Directed Acyclic Graph）
2. 根据DAG，反向计算最大概率路径（动态规划算法；取对数防止下溢，乘法运算转为加法）
3. 根据路径获取最大概率的分词序列

import jieba
sentence = '中心小学放假'
DAG = jieba.get_DAG(sentence)
print(DAG)
route = {}
jieba.calc(sentence, DAG, route)
print(route)

• DAG
• {0: [0, 1, 3], 1: [1], 2: [2, 3], 3: [3], 4: [4, 5], 5: [5]}
• 最大概率路径
• {6: (0, 0), 5: ( -9.4, 5), 4: ( -12.6, 5), 3: ( -20.8, 3), 2: ( -22.5, 3), 1: ( -30.8, 1), 0: ( -29.5, 3)}

4、识别【带空格的词】

示例：使Blade Master这类中间有空格的词被识别

import jieba, re
sentence = 'Blade Master疾风刺杀Archmage'
jieba.add_word('Blade Master')  # 添词
print('修改前：', jieba.lcut(sentence))
jieba.re_han_default = re.compile('(.+)', re.U)  # 修改格式
print('修改后：', jieba.lcut(sentence))

• 打印结果
• 修改前： [‘ Blade’, ’ ', ‘ Master’, ‘疾风’, ‘刺杀’, ‘Archmage’]
  修改后： [‘ Blade Master’, ‘疾风’, ‘刺杀’, ‘Archmage’]

5、其它

5.1、并行分词

运行环境：linux系统
开启并行分词模式，参数n为并发数：jieba.enable_parallel(n)
关闭并行分词模式：jieba.disable_parallel()

5.2、关键词提取

• 基于TF-IDF：jieba.analyse
• 基于TextRank：jieba.textrank

import jieba.analyse as ja, jieba
text = '柳梦璃施法破解了狐仙的法术'
jieba.add_word('柳梦璃', tag='nr')
keywords1 = ja.extract_tags(text, allowPOS=('n', 'nr', 'ns', 'nt', 'nz'))
print('基于TF-IDF：', keywords1)
keywords2 = ja.textrank(text, allowPOS=('n', 'nr', 'ns', 'nt', 'nz'))
print('基于TextRank：', keywords2)

• 打印结果
• 基于TF-IDF： [‘柳梦璃’, ‘狐仙’, ‘法术’]
  基于TextRank： [‘狐仙’, ‘柳梦璃’, ‘法术’]

5.3、修改HMM参数

import jieba
text = '柳梦璃解梦C法'
print(jieba.lcut(text, HMM=False))  # ['柳', '梦', '璃', '解梦', 'C', '法']
print(jieba.lcut(text))  # ['柳梦璃', '解梦', 'C', '法']
jieba.finalseg.emit_P['B']['C'] = -1e-9  # begin
print(jieba.lcut(text))  # ['柳梦璃', '解梦', 'C', '法']
jieba.finalseg.emit_P['M']['梦'] = -100  # middle
print(jieba.lcut(text))  # ['柳', '梦璃', '解梦', 'C', '法']
jieba.finalseg.emit_P['S']['梦'] = -.1  # single
print(jieba.lcut(text))  # ['柳', '梦', '璃', '解梦', 'C', '法']
jieba.finalseg.emit_P['E']['梦'] = -.01  # end
print(jieba.lcut(text))  # ['柳梦', '璃', '解梦', 'C', '法']
jieba.del_word('柳梦')  # Force_Split_Words
print(jieba.lcut(text))  # ['柳', '梦', '璃', '解梦', 'C', '法']

• print
• [‘柳’, ‘梦’, ‘璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳梦璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳梦璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳’, ‘梦璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳’, ‘梦’, ‘璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳梦’, ‘璃’, ‘解梦’, ‘C’, ‘法’]
  [‘柳’, ‘梦’, ‘璃’, ‘解梦’, ‘C’, ‘法’]

6、词法分析（新版）

from jieba import enable_paddle, posseg  # pip install jieba --upgrade
enable_paddle()  # pip install paddlepaddle-tiny==1.6.1
print(posseg.lcut('小基基在南海注册桂城人工智能公司'))
print(posseg.lcut('小基基在南海注册桂城人工智能公司', use_paddle=True))

• print
• [pair(‘小基基’, ‘nr’), pair(‘在’, ‘p’), pair(‘南海’, ‘ns’), pair(‘注册’, ‘v’), pair(‘桂城’, ‘ns’), pair(‘人工智能’, ‘n’), pair(‘公司’, ‘n’)]
  [pair(‘小基基’, ‘PER’), pair(‘在’, ‘p’), pair(‘南海’, ‘LOC’), pair(‘注册’, ‘v’), pair(‘桂城人工智能公司’, ‘ORG’)]