NLP自然语言处理 之 jieba中文处理

教程参考来源视频：https://www.bilibili.com/video/av21452290/?p=1

jieba中文处理

与拉丁语系不同，亚洲语言不是以空格分隔词的。因此需要专门的工具将完整的文本分解成粒度更细的词。
jieba就是一个十分好用的中文工具。它以分词起家，但功能比分词强大很多。

1.基本分词函数与用法

jieba.cut及jieba.cut_for_search 返回的结构都是一个可迭代的generator,可以使用for循环来获得分词后得到的每一个词语（unicode)
jieba.cut方法接受三个输入参数：

• 需要分词的字符串
• cut_all 参数用了控制是否采用全模式
• HMM 参数用来控制是否使用HMM模型

jieba.cut_for_search方法接受两个参数

• 需要分词的字符串
• 是否使用HMM模型
  该方法适合用于搜索引擎构建倒序索引的分词，粒度比较细

#encoding=utf-8
import jieba

seg_list=jieba.cut("我在学习自然语言处理",cut_all=True)
print(seg_list)
print("Full Mode: "+"/".join(seg_list)) #全模式

seg_list=jieba.cut("我在学习自然语言处理",cut_all=False)
print("Default Mode: "+"/".join(seg_list)) #精确模式

seq_list=jieba.cut("他毕业于上海交通大学，在百度深度学习研究院进行研究") #默认是精确模式
print(",".join(seq_list))

seg_list=jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")  #搜索引擎模式
print(", ".join(seg_list))

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/b3/hjtxm6356wx19tq8jhyw52400000gn/T/jieba.cache


<generator object Tokenizer.cut at 0x102bcfd00>


Loading model cost 0.703 seconds.
Prefix dict has been built succesfully.


Full Mode: 我/在/学习/自然/自然语言/语言/处理
Default Mode: 我/在/学习/自然语言/处理
他,毕业,于,上海交通大学,，,在,百度,深度,学习,研究院,进行,研究
小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, ，, 后, 在, 哈佛, 大学, 哈佛大学, 深造

jieba.lcut及jieba.lcut_for_search直接返回list

result_lcut=jieba.lcut("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")
print(result_lcut)
print(" ".join(result_lcut))
print(" ".join(jieba.lcut_for_search("小明硕士毕业于中国科学院计算所，后在哈佛大学深造")))

['小明', '硕士', '毕业', '于', '中国科学院', '计算所', '，', '后', '在', '哈佛大学', '深造']
小明 硕士 毕业 于 中国科学院 计算所 ， 后 在 哈佛大学 深造
小明 硕士 毕业 于 中国 科学 学院 科学院 中国科学院 计算 计算所 ， 后 在 哈佛 大学 哈佛大学 深造

添加用户自定义词典

很多时候我们需要针对自己的场景进行分词，会有一些领域内的专有词汇

• 1.可以使用jieba.load_userdict(file_name)加载用户字典

• 2.少量的词汇可以自己用下面方法手动添加：

  用add_word(word,freq=None,tag=None)和del_word(word)在程序中动态修改词典

  用suggest_freq(segment,tune=True)可调节单个词语的词频，使其能（或不能）被分出来。

print('/'.join(jieba.cut('如果放到旧字典中将出错。',HMM=False)))

如果/放到/旧/字典/中将/出错/。

jieba.suggest_freq(('中','将'),True)

494

print('/'.join(jieba.cut(