Note of Jieba
jieba库是python 一个重要的第三方中文分词函数库，但需要用户自行安装。
一、jieba 库简介
(1) jieba 库的分词原理是利用一个中文词库，将待分词的内容与分词词库进行比对，通过图结构和动态规划方法找到最大概率的词组；除此之外，jieba 库还提供了增加自定义中文单词的功能。
(2) jieba 库支持3种分词模式：
精确模式：将句子最精确地切开，适合文本分析。
全模式：将句子中所以可以成词的词语都扫描出来，速度非常快，但是不能消除歧义。
搜索引擎模式：在精确模式的基础上，对长分词再次切分，提高召回率，适合搜索引擎分词。
二、安装库函数
(1) 在命令行下输入指令：
pip install jieba
(2) 安装进程：
三、调用库函数
(1) 导入库函数：import <库名>
使用库中函数：<库名> . <函数名> (<函数参数>)
(2) 导入库函数：from <库名> import * ( *为通配符 )
使用库中函数：<函数名> (<函数参数>)
四、jieba 库函数
(1) 库函数功能
|
模式 |
函数 |
说明 |
|
精确模式 |
cut(s) |
返回一个可迭代数据类型 |
|
lcut(s) |
返回一个列表类型 (建议使用) |
|
|
全模式 |
cut(s,cut_all=True) |
输出s中所以可能的分词 |
|
lcut(s,cut_all=True) |
返回一个列表类型 (建议使用) |
|
|
搜索引擎模式 |
cut_for_search(s) |
适合搜索引擎建立索引的分词结果 |
|
lcut_for_search(s) |
返回一个列表类型 (建议使用) |
|
|
自定义新词 |
add_word(w) |
向分词词典中增加新词w |
(2) 函数使用实例
五、对一篇文档进行词频统计
(1) jieba 库单枪匹马
A. 代码实现
注：代码使用的文档 >>> Detective_Novel(utf-8).zip [点击下载]，也可自行找 utf-8 编码格式的txt文件。
1 # -*- coding:utf-8 -*- 2 from jieba import * 3 4 def Replace(text,old,new): #替换列表的字符串 5 for char in old: 6 text = text.replace(char,new) 7 return text 8 9 def getText(filename): #读取文件内容（utf-8 编码格式） 10 #特殊符号和部分无意义的词 11 sign = '''！~·@￥……*“”‘’ （）{}【】；："'「，」。-、？''' 12 txt = open('{}.txt'.format(filename),encoding='utf-8').read() 13 return Replace(txt,sign," ") 14 15 def word_count(passage,N): #计算passage文件中的词频数，并将前N个输出 16 words = lcut(passage) #精确模式分词形式 17 counts = {} #创建计数器 --- 字典类型 18 for word in words: #消除同意义的词和遍历计数 19 if word == '小五' or word == '小五郎' or word == '五郎': 20 rword = '毛利' 21 elif word == '柯' or word == '南': 22 rword = '柯南' 23 elif word == '小' or word == '兰': 24 rword = '小兰' 25 elif word == '目' or word == '暮' or word == '警官': 26 rword = '暮目' 27 else: 28 rword = word 29 counts[rword] = counts.get(rword,0) + 1 30 excludes = lcut_for_search("你我事他和她在这也有什么的是就吧啊吗哦呢都了一个") 31 for word in excludes: #除去意义不大的词语 32 del(counts[word]) 33 items = list(counts.items()) #转换成列表形式 34 items.sort(key = lambda x : x[1], reverse = True ) #按次数排序 35 for i in range(N): #依次输出 36 word,count = items[i] 37 print("{:<7}{:>6}".format(word,count)) 38 39 if __name__ == '__main__': 40 passage = getText('Detective_Novel') #输入文件名称读入文件内容 41 word_count(passage,20) #调用函数得到词频数
B. 执行结果
(2) jieba 库 和 wordcloud 库 强强联合 --- 词云图
A. 代码实现
1 # -*- coding:utf-8 -*- 2 from wordcloud import WordCloud 3 import matplotlib.pyplot as plt 4 import numpy as np 5 from PIL import Image 6 from jieba import * 7 8 def Replace(text,old,new): #替换列表的字符串 9 for char in old: 10 text = text.replace(char,new) 11 return text 12 13 def getText(filename): #读取文件内容（utf-8 编码格式） 14 #特殊符号和部分无意义的词 15 sign = '''！~·@￥……*“”‘’ （）{}【】；："'「，」。-、？''' 16 txt = open('{}.txt'.format(filename),encoding='utf-8').read() 17 return Replace(txt,sign," ") 18 19 def creat_word_cloud(filename): #将filename 文件的词语按出现次数输出为词云图 20 text = getText(filename) #读取文件 21 wordlist = lcut(text) #jieba库精确模式分词 22 wl = ' '.join(wordlist) #生成新的字符串 23 24 #设置词云图 25 font = r'C:WindowsFontssimfang.ttf' #设置字体路径 26 wc = WordCloud( 27 background_color = 'black', #背景颜色 28 max_words = 2000, #设置最大显示的词云数 29 font_path = font, #设置字体形式（在本机系统中） 30 height = 1200, #图片高度 31 width = 1600, #图片宽度 32 max_font_size = 100, #字体最大值 33 random_state = 100, #配色方案的种类 34 ) 35 myword = wc.generate(wl) #生成词云 36 #展示词云图 37 plt.imshow(myword) 38 plt.axis('off') 39 plt.show() 40 #以原本的filename命名保存词云图 41 wc.to_file('{}.png'.format(filename)) 42 43 if __name__ == '__main__': 44 creat_word_cloud('Detective_Novel') #输入文件名生成词云图
B. 执行结果
