对医疗数据进行分词的尝试（1）

---

最近 手上拿到一些关于医疗的数据来进行分词，期望得到的结果是将药品，病症（包含'前期','中期','是否转移'等字样）作为关键词提取。

首先尝试使用了常见的jieba分词，但是对于药品名称和病症并不能分出来，比如 奥硝唑分散片 转移性胰腺癌 等类似名词

通过查找资料使用pkuseg进行分词，并且调用它自带的 medicine模型

• segcut = pkuseg.pkuseg(model_name = "medicine", user_dict = "default", postag = False)

结果会相对较好，能够将大部分药品名称和病症分词出来，增加停用词 stopword之后，效果会更好一些

代码如下：

import csv
import re
import numpy as np
import matplotlib.pyplot as plt
from wordcloud import WordCloud, ImageColorGenerator    # 词云包
from scipy.misc import imread
from time import sleep
import jieba
import os
import jieba.posseg as pseg#词性标注
import pkuseg#专业领域分词
segcut = pkuseg.pkuseg(model_name = "medicine", user_dict = "default", postag = False)  # 程序会自动下载所对应的细领域模型

stopwords = []
with open("stopword.txt", encoding&#