jieba分词+collections 词频统计

前言

jieba是目前python中文分词组件中最好的，安装如下：

pip install  jieba -i https://pypi.tuna.tsinghua.edu.cn/simple

引用通过：import jieba

一、jieba分词

概述：

• 基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
• 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
• 对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法

（一）特点

• 支持四种分词模式：

模式	特点
精确模式	试图将句子最精确地切开，适合文本分析
全模式	把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义
搜索引擎模式	在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词
paddle模式	利用PaddlePaddle深度学习框架，训练序列标注（双向GRU）网络模型实现分词。同时支持词性标注

注：paddle模式使用需安装paddlepaddle-tiny，pip install paddlepaddle-tiny==1.6.1。目前paddle模式支持jieba v0.40及以上版本。jieba v0.40以下版本，请升级jieba: pip install jieba --upgrade 。 PaddlePaddle官网.

• 支持繁体分词
• 支持自定义词典
• MIT 授权协议

（二）主要功能

1.分词

jieba.cut方法：返回的结构都是一个可迭代的 generator，可使用 for 循环来获得分词后得到的每一个词语（unicode）。
接受四个参数：

• 需要分词的字符串
• cut_all 参数：是否使用全模式，默认值为 False
• HMM 参数：用来控制是否使用 HMM 模型，默认值为 True
• use_paddle 参数：用来控制是否使用paddle模式下的分词模式

jieba.cut_for_search 方法：接受两个参数，适合用于搜索引擎构建倒排索引的分词，粒度比较细。

• 需要分词的字符串;
• 否使用 HMM 模型，默认值为 True。

jieba.lcut方法：直接返回 list。接受参数与jieba.cut方法一样。
**jieba.lcut_for_search 方法 **：直接返回 list，接受参数与jieba.cut_for_search方法一样。

jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。 jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。

例子：

import jieba

#精确模式 试图将句子最精确地切开，适合文本分析
print("/ ".join(list(jieba.cut('我来到了重庆工商大学'))))#因为默认状态是精确模式，所以不用去定义cut_all
#我/ 来到/ 了/ 重庆/ 工商大学

# 全模式 把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义
print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学

#用jieba.lcut就可以不用list就可以返回
print("{0}".format(jieba.lcut('我来到了重庆工商大学')))
#['我', '来到', '了', '重庆', '工商大学']

print("/ ".join(list(jieba.cut('我来到了重庆工商大学',cut_all=True))))
#我/ 来到/ 了/ 重庆/ 工商/ 工商大学/ 商大/ 大学



# 默认是精确模式 和启用 HMM
# HMM 模型  对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法
print("/ ".join(list(jieba.cut('他来到了网易杭研大厦')))) 
# 他/ 来到/ 了/ 网易/ 杭研/ 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

# 默认是精确模式(cut_all=False) 和启用 HMM(HMM=True)
# HMM 模型  对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法
print("/ ".join(list(jieba.cut('他来到了网易杭研大厦',cut_all=True))))
# 他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦 (此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)

# 不启用 HMM(HMM=False)
print("/ ".join(list(jieba.cut('他来到了网易杭研大厦',HMM=False)))) 
# 他/ 来到/ 了/ 网易/ 杭/ 研/ 大厦  (未能识别“杭研”)

# 搜索引擎模式
print(list(jieba.cut_for_search('今天，西藏中南部等地的部分地区有小雪或雨夹雪')))
# ['今天', '，', '西藏', '中南', '南部', '中南部', '等', '地', '的', '部分', '地区', '有', '小雪', '或', '雨夹雪']


print(list(jieba.lcut_for_search('今天，西藏中南部等地的部分地区有小雪或雨夹雪')))
# ['今天', '，', '西藏', '中南', '南部', '中南部', '等', '地', '的', '部分', '地区', '有', '小雪', '或', '雨夹雪']

（三）载入词典

开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率。

用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径
字典的格式是：
词语、词频（可省略）、词性（可省略） 空格隔开

创新办 3 i
云计算 5
凱特琳 nz
台中

import jieba
strs = "小明是创新办主任也是云计算方面的专家"
# 未加载词典
print('/ '.join(jieba.cut(strs)))
小明/ 是/ 创新/ 办/ 主任/ 也/ 是/ 云/ 计算/ 方面/ 的/ 专家


# 载入词典
jieba.load_userdict("data.txt")
# 加载词典后
print('/ '.join(jieba.cut(strs)))
小明/ 是/ 创新办/ 主任/ 也/ 是/ 云计算/ 方面/ 的/ 专家

（四）载入词典

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

import jieba
jieba.add_word('石墨烯') #增加自定义词语
jieba.add_word('凱特琳', freq=42, tag='nz') #设置词频和词性 
jieba.del_word('自定义词') #删除自定义词语 

• 使用 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

import jieba
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
#结果：如果/放到/post/中将/出错/。


jieba.suggest_freq(('中', '将'), True)
#结果：494
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
#结果：如果/放到/post/中/将/出错/。


print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
#结果：「/台/中/」/正确/应该/不会/被/切开


jieba.suggest_freq('台中', True)
#结果：69
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
#结果：「/台中/」/正确/应该/不会/被/切开

• 注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。

（五）关键词抽取

jieba 提供了两种关键词提取方法，分别基于 TF-IDF 算法和 TextRank 算法。
导包

import jieba.analyse

1.基于 TF-IDF 算法的关键词抽取

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
参数解释：

• sentence：为待提取的文本
• topK：为返回几个 TF/IDF 权重最大的关键词，默认值为 20
• withWeight：是否一并返回关键词权重值，默认值为 False
• allowPOS：仅包括指定词性的词，默认值为空，即不筛选

例如：

import jieba
import jieba.analyse

s='''
4月28日消息，
中国互联网络信息中心（CNNIC）今日发布第45次《中国互联网络发展状况统计报告》，
报告显示，截至2020年3月，我国网民规模为9.04亿，互联网普及率达64.5%。
'''

# 关键词一并返回关键词权重值
for x, w in jieba.analyse.extract_tags(s, topK=20, withWeight=True):
    print('%s %s' % (x, w))

结果如下：

2.基于 TextRank 算法的关键词抽取

通过 jieba.analyse.textrank 方法可以使用基于 TextRank 算法的关键词提取，其与 jieba.analyse.extract_tags 有一样的参数，但前者默认过滤词性（allowPOS=(‘ns’, ‘n’, ‘vn’, ‘v’)）。
例子：

jieba.analyse.textrank(s, topK=20, withWeight=True, allowPOS=('ns', 'n', 'vn', 'v'))# 直接使用，接口相同，注意默认过滤词性。

结果如下：

（六）词性标注

jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
例子：

import jieba
import jieba.posseg as pseg
words = pseg.cut("我爱北京天安门") #jieba默认模式

jieba.enable_paddle() #启动paddle模式。 0.40版之后开始支持，早期版本不支持
words = pseg.cut("我爱北京天安门",use_paddle=True) #paddle模式
for word, flag in words:
    print('%s %s' % (word, flag))

结果如下：

paddle模式词性标注对应表如下：
paddle模式词性和专名类别标签集合如下表，其中词性标签 24 个（小写字母），专名类别标签 4 个（大写字母）。

二、collections 词频统计

#导包
from collections import Counter
import jieba
#获取文本
with open(r'D:\论文\threekingdoms.txt',encoding='UTF-8') as f:
    txt = f.read()#因为是中文文本，所以encoding='UTF-8'
#分词
words = jieba.lcut(txt)
words#查看文字有很多标点符号
#过滤文本
for ch in '，。？ ！“” ；：、 \n':#中文的标点符号，\n是换行符
    if ch in words:
        for i in range(words.count(ch)):
            words.remove(ch)#remove只能删除文中第一次出现的，因此采用for循环
#统计词语及个数
# if len(word) >=2:只统计2次以上的字
counts = {
    
    }
for word in words:
    if len(word) >=2:
        counts[word] = counts.get(word,0) + 1#get方法找不到单词的次数就返回默认值0，找到了就获得次数值上再加1
# 排序输出
items = list(counts.items())#items将字典的键值对以元组（键x[0]和值x[1]的形式打包，为了方便后续进行sort()排序，将元组转化为列表类型
items.sort(key = lambda x:x[1],reverse = True)

for i in range(20):
    word,count = items[i]
    #print('{0:<5} {1:>5}'.format(word,count))
    print('{0:<{width}}{1}'.format(word,count,width = 10-(len(word.encode('GBK'))-len(word))))#输出对齐

结果如下：