2.5.jieba分词工具
2.5.1.Jieba安装
2.5.2.全模式/精确模式
2.5.3.添加自定义词典
2.5.4.关键词抽取
2.5.5.词性标注
2.5.6.词云展示
2.5.jieba分词工具
2.5.1.Jieba安装
(base) C:\Users\toto>pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Collecting jieba
Downloading https://pypi.tuna.tsinghua.edu.cn/packages/c6/cb/18eeb235f833b726522d7ebed54f2278ce28ba9438e3135ab0278d9792a2/jieba-0.42.1.tar.gz (19.2 MB)
|████████████████████████████████| 19.2 MB 1.6 MB/s
Building wheels for collected packages: jieba
Building wheel for jieba (setup.py) ... done
Created wheel for jieba: filename=jieba-0.42.1-py3-none-any.whl size=19314482 sha256=7b583750a861096d11049bab33ec1efe91b8a89be8df8ae53e1540070c50e6ca
Stored in directory: c:\users\toto\appdata\local\pip\cache\wheels\f3\30\86\64b88bf0241f0132806c61b1e2686b44f1327bfc5642f9d77d
Successfully built jieba
Installing collected packages: jieba
Successfully installed jieba-0.42.1
(base) C:\Users\toto>
2.5.2.全模式/精确模式
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("全模式:" + "/".join(seg_list)) # 全模式
'''
输出结果:
全模式:我/来到/北京/清华/清华大学/华大/大学
'''
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("精确模式:" + "/".join(seg_list)) # 精确模式
"""
输出结果:
精确模式:我/来到/北京/清华大学
"""
seg_list = jieba.cut("他来到了网易杭研大厦") # 默认是精确模式
print(",".join(seg_list))
'''
输出结果:
他,来到,了,网易,杭研,大厦
'''
2.5.3.添加自定义词典
import jieba
text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
# 全模式
seg_list = jieba.cut(text, cut_all=True)
print(u"[全模式]:", "/".join(seg_list))
'''
输出结果:
[全模式]: 故宫/的/著名/著名景点/景点/包括/乾/清宫/、/太和/太和殿/和/黄/琉璃/琉璃瓦/等
'''
# 精确模式
seg_list = jieba.cut(text, cut_all=False)
print(u"[精确模式]:","/".join(seg_list))
'''
输出结果:
[精确模式]: 故宫/的/著名景点/包括/乾/清宫/、/太和殿/和/黄/琉璃瓦/等
'''
从上面可以看到的是”乾清宫”被分开了
下面开始添加自定义词典
import jieba
# mydict.txt为自定义词典,mydict.txt的文件格式需要是UTF-8,在保存文件的时候,设置文件格式为UTF-8
jieba.load_userdict("./data/mydict.txt")
# 也可以用jieba.add_word("乾清宫")
text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
# 全模式
seg_list = jieba.cut(text, cut_all=True)
print(u"[全模式]:","/".join(seg_list))
'''
输出结果:
[全模式]: 故宫/的/著名/著名景点/景点/包括/乾清宫/清宫/、/太和/太和殿/和/黄琉璃瓦/琉璃/琉璃瓦/等
'''
# 精确模式
seg_list = jieba.cut(text, cut_all=False)
print(u"[精确模式]", "/".join(seg_list))
'''
输出结果:
[精确模式] 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/黄琉璃瓦/等
'''
2.5.4.关键词抽取
import jieba
import jieba.analyse
# mydict.txt为自定义词典,mydict.txt的文件格式需要是UTF-8,在保存文件的时候,设置文件格式为UTF-8
jieba.load_userdict("./data/mydict.txt")
# 也可以用jieba.add_word("乾清宫")
text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
# 精确模式
seg_list = jieba.cut(text, cut_all=False)
print(u"[精确模式]", "/".join(seg_list))
'''
[精确模式] 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/黄琉璃瓦/等
'''
# 获取关键词
tags = jieba.analyse.extract_tags(text, topK=5)
print(u"关键词:")
print(" ".join(tags))
"""
关键词:
著名景点 乾清宫 黄琉璃瓦 太和殿 故宫
"""
tags = jieba.analyse.extract_tags(text, topK=5, withWeight=True)
for word, weight in tags:
print(word, weight)
'''
著名景点 2.3167796086666668
乾清宫 1.9924612504833332
黄琉璃瓦 1.9924612504833332
太和殿 1.6938346722833335
故宫 1.5411195503033335
'''
2.5.5.词性标注
import jieba
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门")
for word, flag in words:
print("%s %s" % (word, flag))
'''
我 r
爱 v
北京 ns
天安门 ns
'''
2.5.6.词云展示
数据准备:
代码:
import jieba
# pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
from wordcloud import WordCloud
# scipy.misc中已经没有imread了,用imageio来替代
#from scipy.misc import imread
# 可以使用:
#import imageio
# Img = imageio.imread(img)
from imageio import imread
from collections import Counter
import matplotlib.pyplot as plt
data = {}
text_file = open('./data/19Congress.txt', 'r', encoding='utf-8')
text = text_file.read()
with open('./data/stopwords.txt', encoding='utf-8') as file:
stopwords = {line.strip() for line in file}
seg_list = jieba.cut(text, cut_all=False)
for word in seg_list:
if len(word) >= 2:
if not data.__contains__(word):
data[word] = 0
data[word] += 1
# print(data)
my_wordcloud = WordCloud(
background_color='white', # 设置背景颜色
max_words=400, # 设置最大实现的字数
font_path=r'./data/SimHei.ttf', # 设置字体格式,如不设置显示不了中文
mask=imread('./data/mapofChina.jpg'), # 指定在什么图片上画
width=1000,
height=1000,
stopwords=stopwords
).generate_from_frequencies(data)
plt.figure(figsize=(18, 16))
plt.imshow(my_wordcloud)
plt.axis('off')
plt.show() # 展示词云
my_wordcloud.to_file('result.jpg')
text_file.close()
显示结果: