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&#