jieba分词+collections 词频统计

前言

jieba是目前python中文分词组件中最好的，安装如下：

pip install  jieba -i https://pypi.tuna.tsinghua.edu.cn/simple

引用通过：import jieba

一、jieba分词

概述：

• 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

（一）特点

• 支持四种分词模式：

模式	特点
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
paddle模式	利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注

注：paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba: pip install jieba --upgrade 。 PaddlePaddle官网.

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

（二）主要功能

1.分词

jieba.cut方法：返回的结构都是一个可迭代的 generator，可使用 for 循环来获得分词后得到的每一个词语（unicode）。
接受四个参数：

• 需要分词的字符串
• cut_all 参数：是否使用全模式，默认值为 False
• HMM 参数：用来控制是否使用 HMM 模型，默认值为 True
• use_paddle 参数：用来控制是否使用paddle模式下的分词模式

jieba.cut_for_search 方法：接受两个参数，适合用于搜索引擎构建倒排索引的分词，粒度比较细。

• 需要分词的字符串;
• 否使用 HMM 模型，默认值为 True。

jieba.lcut方法：直接返回 list。接受参数与jieba.cut方法一样。
**jieba.lcut_for_search 方法 **：直接返回 list，接受参数与jieba.cut_for_search方法一样。

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。

例子：

import jieba

#精确模式 试图将句子最精确地切开，适合文本分析
print("/ ".join(list(jieba.cut('我来到了重庆工商大学'))))#因为默认状态是精确模式，所以不用去定义cut_all
#我/ 来到/ 了/ 重庆/ 工商大学

# 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
print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学

#用jieba.lcut就可以不用list就可以返回
print("{0}".format(jieba.lcut('我来到了重庆工商大学')))
#['我', '来到', '了', '重庆', '工商大学']

print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学



# 默认是精确模式 和启用 HMM
# HMM 模型  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
print("/ ".