1. jieba库概述
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库,需要额外安装
- jieba库提供三种分词模式,最简单只需掌握一个函数
2. jieba库的安装
(cmd命令行)pip install jieba
3. jieba的分词原理
- 利用一个中文词库,确定中文字符之间的关联概率
- 中文字符间概率大的组成词组,形成分词结果
- 除了分词,用户还可以添加自定义的词组
4. jieba库的使用
4.1 jieba分词的的三种模式
- 精确模式:把文本精确地切分开,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
4.2 jieba库常用函数
-
jieba.lcut(s)★ —— 精确模式,返回一个列表类型的分词结果
>>> import jieba >>> jieba.lcut("中国是一个伟大的国家") ['中国', '是', '一个', '伟大', '的', '国家']
-
jieba.lcut(s, cut_all=True) —— 全模式,返回一个列表类型的结果,存在冗余
>>> jieba.lcut("中国是一个伟大的国家", cut_all=True) ['中国', '国是', '一个', '伟大', '的', '国家']
-
jieba.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
>>> jieba.lcut_for_search("中华人民共和国是最伟大的") ['中华', '华人', '人民', '共和', '共和国', '中华人民共和国', '是', '最', '伟大', '的']
-
jieba.add_word(w) —— 向分词词典增加新词“w”
词频统计实例:
英文文本——《哈姆雷特(英文版)》
要点:文本去噪归一化、使用字典表示词频
def getText():
txt = open("hamlet.txt", "r"