jieba中文处理
1.基本分词函数的用法
jieba.cut接收分词的三种输入参数:
1)需要分词的字符串
2)cut_all参数用来控制是否采用全模式,即从前往后切分,所有在词典中出现的词都会被切分出来;
精确模式:按最合理的方式进行切分;
3)HMM参数用来控制是否使用HMM模型
jieba.cut_for_search
1)需要分词的字符串
2)是否使用HMM模型
该方法适合用于搜索引擎创建倒排索引的分词,粒度比较细
#encoding=utf-8
import jieba
seg_list = jieba.cut("我在学习自然语言处理", cut_all=True)
print (seg_list)
print("Full Mode: " + "/ ".join(seg_list)) # 全模式
seg_list = jieba.cut("我在学习自然语言处理", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list)) # 精确模式
seg_list = jieba.cut("他毕业于上海交通大学,在百度深度学习研究院进行研究") # 默认是精确模式
print(", ".join(seg_list))
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所,后在哈佛大学深造") # 搜索引擎模式
print(", ".join(seg_list))
运行结果:
Full Mode: 我/ 在/ 学习/ 自然/ 自然语言/ 语言/ 处理
Default Mode: 我/ 在/ 学习/ 自然语言/ 处理
他, 毕业, 于, 上海交通大学, ,, 在, 百度, 深度, 学习, 研究院, 进行, 研究
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ,, 后, 在, 哈佛, 大学, 哈佛大学, 深造
jieba.lcut以及jieba.lcut_for_search直接返回list
#encoding=utf-8
import jieba
result_lcut=jieba.lcut("小明硕士毕业于中国科学院计算机所,后在哈佛大学深造")
print (result_lcut)
result_lcut_for_search=jieba.lcut_for_search(