Python 数据分析的敲门砖 jieba模块中文分词

---

文章开篇

Python的魅力，犹如星河璀璨，无尽无边；人生苦短、我用Python！

---

Jieba简介

jieba 是一个用于中文文本分词的 Python 库。
它能够将一整段中文文本切分成有意义的词语或短语。
分词是中文**自然语言处理（NLP）**中非常重要的一步，因为中文句子中的词与词之间不像英文那样有明确的空格分隔，所以需要专门的工具来进行分词。

---

使用场景

在文本分析中，可能需要知道文本中哪些词或短语出现的频率最高，或者文本的主题是什么。
在情感分析中，分词可以帮助你识别文本中的关键词或短语，进而判断文本的情感倾向
在机器翻译时，源语言和目标语言都需要进行分词，以便将文本转换成机器可以理解的格式。
在搜索引擎中，需要对输入的查询内容进行分词，以便更好地理解用户的意图，并返回相关的搜索结果。

---

jieba的引用

jieba属于第三方模块，使用前需要额外下载安装

pip install jieba

下载安装完成后，即可导入使用

import jieba

---

jieba常用的方法

---

1.精确模式分词

jieba.cut(sentence, cut_all=False)：核心函数，用于将中文文本切分成词语；
sentence 是要分词的文本
cut_all 是一个可选参数，默认为False；

• 当它为 True 时，使用全模式进行分词；
• 当为 False 时，使用精确模式进行分词;

返回值是一个生成器，包含了分词后的结果

import jieba

sentence = "你的男朋友是个盖世垃圾，将会脚踏七彩祥云迎娶你的闺蜜"
seg_list = jieba.cut(sentence, cut_all=True)
print("模糊模式分词结果：", "/ ".join(seg_list)) # 模糊模式分词结果： 你/ 的/ 男朋友/ 朋友/ 是/ 个/ 盖世/ 垃圾/ ，/ 将/ 会/ 脚踏/ 七彩/ 祥云/ 迎娶/ 你/ 的/ 闺/ 蜜

seg_list = jieba.cut(sentence, cut_all=False)
print("精确模式分词结果：", "/ ".join(seg_list)) # 精确模式分词结果： 你/ 的/ 男朋友/ 是/ 个/ 盖世/ 垃圾/ ，/ 将会/ 脚踏/ 七彩/ 祥云/ 迎娶/ 你/ 的/ 闺蜜

---

2.搜索引擎模式分词

jieba.cut_for_search(sentence)：用于搜索引擎的分词模式，适合短文本分词；
返回值是一个生成器，包含了分词后的结果；

import jieba

sentence = "今天的天气很糟糕"
seg_list = jieba.cut_for_search(sentence)

print("搜索引擎模式分词结果：", "/ ".join(seg_list))   # 搜索引擎模式分词结果： 今天/ 的/ 天气/ 很/ 糟糕

---

3.添加新词

jieba.add_word(word, freq=None, tag=None)：用于向 jieba 的词典中添加新词；
word 是要添加的新词
freq 是可选参数，表示该词的出现频率
tag 是可选参数，表示该词的词性

import jieba

# 使用新词进行分词
sentence = "网络热词公主请上车"
seg_list = jieba.cut(sentence, cut_all=False)

print("分词结果：", "/ ".join(seg_list)) # 分词结果： 网络/ 热词/ 公主/ 请/ 上车

# 添加新词到词典
jieba.add_word("公主请上车", 20)
seg_list = jieba.cut(sentence, cut_all=False)

print("分词结果包含新词：", "/ ".join(seg_list)) # 分词结果包含新词： 网络/ 热词/ 公主请上车

---

4.调整词频

jieba.suggest_freq(segment, tune=True)：调整单个词语的词频，使其能（或不能）被分出来。
segment 是要调整词频的词语。
tune 是一个可选参数，当为 True 时，调整词频后，会立即更新词典；当为 False 时，不更新词典。

import jieba

sentence = "天蚕土豆是一个网文作者"
seg_list = jieba.cut(sentence, cut_all=False)
print("分词结果：", "/ ".join(seg_list)) # 分词结果： 天蚕/ 土豆/ 是/ 一个/ 网文/ 作者

# 调整词频，使得"调整"可以被切分出来
jieba.suggest_freq("天蚕土豆", True)

seg_list = jieba.cut(sentence, cut_all=False)
print("分词结果包含调整词频后的词：", "/ ".join(seg_list))    # 分词结果包含调整词频后的词： 天蚕土豆/ 是/ 一个/ 网文/ 作者

---

5.提取关键词

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())：用于文本关键词提取。
sentence 是要提取关键词的文本。
topK 是可选参数，表示返回关键词的个数。
withWeight 是可选参数，当为 True 时，返回关键词及其权重；当为 False 时，只返回关键词。
allowPOS 是可选参数，用于指定需要提取的关键词的词性。

import jieba.analyse

text = "今天天气非常的糟糕，我不喜欢阴雨天"
keywords = jieba.analyse.extract_tags(text, topK=5, withWeight=True)
print("关键词提取结果：", keywords) # 关键词提取结果： [('今天天气', 2.4582479479), ('阴雨天', 2.3196185118), ('糟糕', 1.6664666296419999), ('喜欢', 1.140517680604), ('非常', 0.9806566012679999)]

应用案例

import jieba.posseg as pseg

# 示例文本
text = "这部电影真的很好看，演员演技出色，剧情也很吸引人。"

# 使用jieba进行词性标注
words = pseg.cut(text)

# 情感分析（简单示例，实际应用可能需要复杂的模型）
sentiment = 0  # 初始情感分数
for word, flag in words:
    if 'n' in flag:  # 名词可能包含情感信息
        sentiment += 1
    elif 'd' in flag:  # 副词可能加强或减弱情感
        sentiment += 2 if word in ['非常', '十分', '特别', '极其'] else -1

# 根据情感分数判断情感倾向
if sentiment > 0:
    print("正面情感")
elif sentiment < 0:
    print("负面情感")
else:
    print("中性情感")

---

总结

使用jieba库可以轻松地对中文文本进行分词和词频统计，展现文本中的高频词汇。
然而，jieba库的功能远不止于此，它还包括词性标注、关键词提取等，是一个功能强大的中文分词第三方库，广泛应用于自然语言处理任务中。