jieba分词库的安装与使用

Anaconda安装wordcloud

GitHub: wordcloud
直接在Anaconda Prompt输入：conda install -c conda-forge wordcloud

Anaconda安装jieba

GitHub: jieba

方式一：
直接在Anaconda Prompt输入：conda install -c conda-forge jieba。
方式二：
1.下载jieba压缩包：jieba
2. 将压缩包解压到anaconda下的pkgs目录下，
3. 进入pkgs目录下的jieba-0.39（或其他版本），打开命令行窗口（shift+右键），输入python setup.py install即可完成安装。
其他：
添加下载渠道，Anaconda 安装jieba 库报错

使用jieba分词库

jieba分词的原理

Jieba分词依靠中文词库

• 利用一个中文词库，确定汉字之间的关联概率
• 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词组

jieba分词的三种模式

• 精确模式：把文本精确的切分开，不存在冗余单词
• 全模式：把文本中所有可能的词语都扫描出来，有冗余
• 搜索引擎模式：在精确模式基础上，对长词再次切分

jieba库常用函数

• jieba.cut(s)：精确模式，返回一个可迭代的数据类型
• jieba.cut(s,cut_all=True)：全模式，输出文本s中所有可能单词
• jieba.cut_for_search(s)：搜索引擎模式，适合搜索引擎建立索引的分词结果
• jieba.lcut(s)：精确模式，返回一个列表类型，建议使用
• jieba.lcut(s,cut_all=True)：全模式，返回一个列表类型
• jieba.lcut_for_search(s)：搜索引擎模式，返回一个列表类型
• jieba.add_word(w)：向分词词典中增加新词w
• jieba.del_word(w)：分词词典中删除词w
• jieba.load_userdict(“userdict.txt”)添加自定义词典来包含结巴词库中没有的词
• jieba.analyse.extract_tags(“sentence”, topK=k)，其中topK默认值是20。提取"sentence"中topK个关键词
• jieba.analyse.set_stop_words(“stop_words.txt”)添加停用词

1. 分词

#jieba.cut
>>> seg_list1=jieba.cut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法")
>>> print(" ".join(seg_list1))
朴素 贝叶斯 法是 基于 贝叶斯 定理 与 特征 条件 独立 假设 的 分类 方法
>>> seg_list2=jieba.cut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法",cut_all=True)
>>> print(" ".join(seg_list2))
朴素 贝叶 贝叶斯 法 是 基于 贝叶 贝叶斯 斯定理 定理 与 特征 条件 独立 假设 的 分类 方法
>>> seg_list3=jieba.cut_for_search("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法")
>>> print(" ".join(seg_list3))
朴素 贝叶 贝叶斯 法是 基于 贝叶 贝叶斯 定理 与 特征 条件 独立 假设 的 分类 方法
#jieba.lcut
>>> seg_list1=jieba.lcut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法")
>>> print(seg_list1)
['朴素', '贝叶斯', '法是', '基于', '贝叶斯', '定理', '与', '特征', '条件', '独立', '假设', '的', '分类', '方法']
>>> seg_list2=jieba.lcut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法",cut_all=True)
>>> print(seg_list2)
['朴素', '贝叶', '贝叶斯', '法', '是', '基于', '贝叶', '贝叶斯', '斯定理', '定理', '与', '特征', '条件', '独立', '假设', '的', '分类', '方法']
>>> seg_list3=jieba.lcut_for_search("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法")
>>> print(seg_list3)
['朴素', '贝叶', '贝叶斯', '法是', '基于', '贝叶', '贝叶斯', '定理', '与', '特征', '条件', '独立', '假设', '的', '分类', '方法']

2. 添加自定义词典

添加自定义词、删除自定义词

>>> jieba.add_word("条件独立假设")
>>> list=jieba.lcut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法",cut_all=True)
>>> print(list)
['朴素', '贝叶', '贝叶斯', '法', '是', '基于', '贝叶', '贝叶斯', '斯定理', '定理', '与', '特征', '条件', '条件独立假设', '独立', '假设', '的', '分类', '方法']
>>> jieba.del_word("条件独立假设")
>>> seg_list=jieba.lcut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法",cut_all=True)
>>> print(seg_list)
['朴素', '贝叶', '贝叶斯', '法', '是', '基于', '贝叶', '贝叶斯', '斯定理', '定理', '与', '特征', '条件', '独立', '假设', '的', '分类', '方法']

添加自定义的词典来包含结巴词库中没有的词
在文件userdict.txt中添加内容：条件独立假设 5

>>> jieba.load_userdict("userdict.txt")  
>>> list=jieba.lcut("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法",cut_all=True)
>>> print(list)
['朴素', '贝叶', '贝叶斯', '法', '是', '基于', '贝叶', '贝叶斯', '斯定理', '定理', '与', '特征', '条件', '条件独立假设', '独立', '假设', '的', '分类', '方法']  

3. TF-IDF提取关键词

  如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能反映了这篇文章的特性，正是所谓的关键词。
$$词频（TF）=\frac{某个词在文章中出现的总次数}{词汇总数}$$
$$逆文档词频（IDF）=\log (\frac{语料库的文档总数}{包含改词的文档数+1})$$
$$TF-IDF=词频TF\times 逆文档词频IDF$$

>>> import jieba.analyse  
>>> tags = jieba.analyse.extract_tags("朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法", topK=10)  
>>> print(",".join(tags))
贝叶斯,法是,朴素,定理,假设,基于,分类,特征,独立,方法

参考：
Anaconda安装jieba、wordcloud等第三方库
结巴分词安装与使用