目录
二、jieba库的使用说明(三种模式、lcut()、lcut_for_search()、add_word() )
一、jieba库基本介绍
- jieba 是一个中文分词第三方库,被称为最好的 Python 中文分词库。
- 支持三种分词模式:精确模式、全模式和搜索引擎模式,并且支持繁体分词和自定义词典。用户只需掌握一个函数 lcut()
- 用户使用前需要额外安装,安装过程参考“Python初学11”第二章(对应安装命令改为:pip install jieba)
简单说,jieba是一个非常好用的中文工具,以分词起家,但功能比分词要强大很多。而且,全国计算机等级考试二级Python语言必考jieba库。
二、jieba库的使用说明(三种模式、lcut()、lcut_for_search()、add_word() )
jieba分词依靠中文词库,确定汉字之间的关联概率。除了分词,用户还可以添加自定义的词组。
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:在精确模式的基础上,对长词再次切分
函数 | 说明 |
---|---|
lcut(s) | 精确模式 返回一个列表类型的分词结果 ![]() |
lcut(s, cut_all=True) | 全模式 返回一个列表类型的分词结果,存在冗余 ![]() |
lcut_for_search(s) | 搜索引擎模式 返回一个列表类型的分词结果,存在冗余 ![]() |
add_word(w) | 向分词词典增加新词 w |
三、“文本词频统计”实例
1. 需求:《三国演义》文章中,出现了哪些词?哪些词出现的次数最多?
注:网上搜索三国演义TXT文本下载,并将三国演义.txt文本与.py代码文件存放的同一路径下。
import jieba
txt = open('三国演义.txt', 'r', encoding="utf-8").read() # 读取txt文本
words = jieba.lcut(txt) # 对文本进行分词
'对分词后的词语进行统计,不统计单字词语'
counts = {} # 创建空字典
for i in words:
if len(i) == 1:
continue
else:
# 字典中的键为分词词语,值是对应分词出现的次数
counts[i] = counts.get(i, 0) + 1
'对统计结果排序并打印输出'
items = list(counts.items()) # 将字典转换成列表以便于排序
items.sort(key=lambda x:x[1], reverse=True) # 以键值对中的值为依据,从大到小排序
for i in range(15): # 打印输出前十五个分词及其出现的次数
word, count = items[i]
print("{0:<10}{1:^5}".format(word, count))
![](https://img-blog.csdnimg.cn/20210228112851947.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x2emIyMDIwNjE1,size_16,color_FFFFFF,t_70)
2. 需求:《三国演义》文章中,人物出场次数统计。
import jieba
txt = open('三国演义.txt', 'r', encoding="utf-8").read() # 读取txt文本
words = jieba.lcut(txt) # 对文本进行分词
'对分词后的词语进行统计,不统计单字词语,合并意义相同的分词'
counts = {} # 创建空字典
for i in words:
if len(i) == 1:
continue
elif i=='诸葛亮' or i=='孔明曰':
word = '孔明'
elif i=='关公' or i=='云长':
word = '关羽'
elif i=='玄德' or i=='玄德曰':
word = '刘备'
elif i=='孟德' or i=='丞相':
word = '曹操'
else:
word = i
# 字典中的键为分词词语,值是对应分词出现的次数
counts[word] = counts.get(word, 0) + 1
'删除字典中部分不是人物的分词'
excludes = {"将军", "却说", "荆州", "二人",
"不可", "不能", "如此", "商议",
"如何", "军士", "主公", "左右",
"军马", "次日", "引兵", "大喜",
"天下", "东吴", "于是", "今日",
"不敢", "魏兵", "陛下", "人马",
"都督"} # 创建集合
for i in excludes:
del counts[i]
'对统计结果排序并打印输出'
items = list(counts.items()) # 将字典转换成列表以便于排序
items.sort(key=lambda x:x[1], reverse=True) # 以键值对中的值为依据,从大到小排序
for i in range(10): # 打印输出前十五个分词及其出现的次数
word, count = items[i]
print("{0:<10}{1:^5}".format(word, count))
![](https://img-blog.csdnimg.cn/20210228115910919.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x2emIyMDIwNjE1,size_16,color_FFFFFF,t_70)
3. 总结
- 问题扩展:《红楼梦》、《西游记》、《水浒传》、政府工作报告、科研论文、新闻报道
- 绘制词云