机器学习-结巴中文处理

# -*- coding: utf-8 -*-
"""
Created on Tue Jul 31 15:26:50 2018

@author: Administrator
"""

'''
特点：

    支持三种分词模式：
    
    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。 
    支持繁体分词 
    支持自定义词典 
    MIT 授权协议
    
    算法：
    
    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


分词

 jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来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排索引的分词，粒度比较细

 待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK字符串，可能无法预料地错误解码成 UTF-8

 jieba.cut以及 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)，或者用jieba.lcut 以及jieba.lcut_for_search 直接返回list

 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。

 使用jieba.posseg分词，可以查看分词的词性、

'''

import jieba

seg_list = jieba.cut("我来到北京清华大学",cut_all=True)
print("FUll Mode:"+"/".join(seg_list))  # 全模式
# In[1]
seg_list = jieba.cut("我来到北京清华大学",cut_all=False)
print("Default MOde:"+"/".join(seg_list))  # 精确模式
# In[2]
seg_list = jieba.cut("他来到了网易杭研大厦")  # 默认是精确模式
print(", ".join(seg_list))
# In[3]
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")
print(",".join(seg_list))  # 搜索引擎模式
# In[4]
'''
    添加自定义词典
       添加自定义词典以便能识别专业词汇
    
    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
        
        词典格式和 dict.txt一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。
        
        词频省略时使用自动计算的能保证分出该词的词频。

'''

test_sent = (
"李小福是创新办主任也是云计算方面的专家; 什么是八一双鹿\n"
"例如我输入一个带“韩玉赏鉴”的标题，在自定义词库中也增加了此词为N类\n"
"「台中」正確應該不會被切開。mac上可分出「石墨烯」；此時又可以分出來凱特琳了。"
)

jieba.load_userdict("userdict.txt")   

jieba.add_word('石墨烯')
jieba.add_word('凯特琳')
jieba.add_word('自定义词')

words = jieba.cut(test_sent)
print(','.join(words))
# In[5]
'''
    调整词典
    使用 add_word(word, freq=None, tag=None)和 del_word(word) 可在程序中动态修改词典。
    
    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。
    
    注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。
'''

print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
jieba.suggest_freq(('中', '将'), True)   #true若可以就将单词分开，false若可以就将单词合并
print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
jieba.suggest_freq('台中', True)
print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
# In[6]
'''
关键词提取
  基于 TF-IDF 算法的关键词抽取
  
  jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

    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：为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
'''
import jieba
import jieba.analyse

s = "此外，公司拟对全资子公司吉林欧亚置业有限公司增资4.3亿元，增资后，吉林欧亚置业注册资本由7000万元增加到5亿元。吉林欧亚置业主要经营范围为房地产开发及百货零售等业务。目前在建吉林欧亚城市商业综合体项目。2013年，实现营业收入0万元，实现净利润-139.13万元。"
for x, w in jieba.analyse.extract_tags(s, withWeight=True):   #sentence：待提取文本    topK：数量    withWeight：是否一并返回关键词权重值    allowPOS：仅包括指定词性的词，默认值为空，即不筛选
    print('%s %s' % (x, w))
# In[7]
'''
基于TextRank算法的关键词抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。

'''
for x, w in jieba.analyse.textrank(s, withWeight=True):
    print('%s %s' % (x, w))
# In[8]
result = jieba.tokenize(u'永和服装饰品有限公司')   #mode='search' 为搜索模式
for tk in result:
    print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))