《中文jieba分词》总结

针对jieba分词作业做一个总结，方便以后查看。

中文分词

分词，即切词，在NLP文本预处理中经常使用一些方法来对文本进行分词，从而使文本从“字序列”升级到“词序列”。
为什么要进行分词？在中文中，一个个汉字有其自身的含义，但是组成词语时，其含义可能会发生很大的变化，使得之后进行文本处理任务时不能很好的理解句子的含义。（比如“和”，“平”，“和平”，三者的含义有很大的不同。）另外，从字序列升级成词序列，可以使模型能够得到更高级的特征。
分词算法有很多，比如正向最大匹配算法，逆向最大匹配算法，双向最大匹配算法，基于统计的分词方法，隐马尔可夫模型分词法，神经网络分词法等等。

jieba分词

jieba是一种常用的分词工具，在[GITHUB站](https://github.com/fxsjy/jieba)有详细的介绍。

分词过程

jieba分词有其自己的字典，也可以导入自定的字典。分词是根据字典来进行分词。（字典不准确时，会影响分词结果的好坏。）
分词时可以去除一些停用词（对句子含义不影响的符号，助词等）。

最简单的情况
说是最简单的情况，是因为，分词时没有去除停用词，只是简单地读取路径下文件并进行分词。也没有对分词后的结果进行保存文件。

import jieba
import os
import math
from collections import Counter

word_list=[]
path_tem="C:/Users/DR.KAT/Documents/NLP/1946年05月"
for file in os.listdir(path_tem):
    file_tem = os.path.join(path_tem,file)
    text=open(file_tem,encoding='utf-8').read()
    seg_list=jieba.cut