Python中jieba模块使用方法介绍_F11 - 专业站长和开发者的学习网站

本站首页收藏本站

广告位联系

APP正在开发中...

返回顶部

分享到

Python中jieba模块使用方法介绍

python 来源：互联网作者：佚名发布时间：2024-12-08 22:36:08 人浏览

摘要

在中文自然语言处理（NLP）中，分词是基本而关键的步骤。由于中文没有空格，分词可以帮助我们更好地理解和处理文本。jieba是一个流行的中文分词工具，功能强大且易于使用。安装 jieba 首

在中文自然语言处理（NLP）中，分词是基本而关键的步骤。由于中文没有空格，分词可以帮助我们更好地理解和处理文本。jieba 是一个流行的中文分词工具，功能强大且易于使用。

安装 jieba

首先，确保安装了 jieba 模块，可以使用以下命令：

1	pip install jieba

分词模式

jieba 模块支持三种分词模式：

精确模式：将句子精确切分，适合文本分析。
全模式：扫描出句子中所有可能的词语，速度快，但无法消歧。
搜索引擎模式：在精确模式基础上，对长词再切分，以提高召回率。

使用分词

import jieba

text = "我来到北京清华大学"

# 全模式

full_mode = jieba.cut(text, cut_all=True)

print("全模式: " + "/ ".join(full_mode))

# 精确模式

exact_mode = jieba.cut(text, cut_all=False)

print("精确模式: " + "/ ".join(exact_mode))

# 默认模式（精确模式）

default_mode = jieba.cut("他来到了网易杭研大厦")

print("默认模式: " + "/ ".join(default_mode))

搜索引擎模式

使用 cut_for_search 方法，适合构建搜索引擎的倒排索引。

1 2	search_mode = 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(search_mode))

自定义词典

添加自定义词典

jieba 允许用户添加自定义词典，以提高分词准确性。

1	jieba.load_userdict("userdict.txt")

用户字典的格式为：

1	词语词频（可省略）词性（可省略）

调整词典

添加词：使用 add_word(word, freq=None, tag=None) 方法添加词。
删除词：使用 del_word(word) 方法删除词。
调节词频：使用 suggest_freq(segment, tune=True) 方法调整词频，使特定词能（或不能）被分出来。

关键词提取

TF-IDF 关键词抽取

可以使用 extract_tags 方法基于 TF-IDF 算法提取关键词。

import jieba.analyse

text = "我爱自然语言处理，中文分词很有趣，中文处理需要很多工具。"

keywords = jieba.analyse.extract_tags(text, topK=5)

print("关键词:", keywords)

TextRank 关键词抽取

textrank 方法提供基于 TextRank 算法的关键词抽取。

1 2	keywords = jieba.analyse.textrank(text, topK=5) print("关键词:", keywords)

词性标注

jieba 还支持词性标注功能，使用 posseg 模块可以标注每个词的词性。

import jieba.posseg as pseg

words = pseg.cut("我爱北京天安门")

for word, flag in words:

print(f'{word}, {flag}')

获取词语位置

使用 tokenize 方法可以获取词语在原文中的起止位置。

result = jieba.tokenize("永和服装饰品有限公司")

for tk in result:

print(f"word {tk[0]}\t\t start: {tk[1]}\t\t end: {tk[2]}")

关键词提取

TF-IDF 关键词抽取

TF-IDF（Term Frequency-Inverse Document Frequency）是一种用于信息检索和文本挖掘的常用加权技术。它通过计算一个词在文档中出现的频率（TF）与该词在所有文档中出现的稀有度（IDF）相结合，来评估一个词的重要性。

Term Frequency (TF)：某个词在文档中出现的次数与该文档总词数的比值。
Inverse Document Frequency (IDF)：表示词的重要性，计算公式为：[ IDF(w) = \log(\frac{N}{n(w)}) ]
- ( N )：文档总数
- ( n(w) )：包含词 ( w ) 的文档数

示例代码：

import jieba.analyse

text = "我爱自然语言处理，中文分词很有趣，中文处理需要很多工具。"

keywords = jieba.analyse.extract_tags(text, topK=5, withWeight=True)

for word, weight in keywords:

print(f"关键词: {word}, 权重: {weight}")

TextRank 关键词抽取

TextRank 是一种无监督的图模型算法，常用于关键词提取和摘要生成。它基于词与词之间的关联，通过构建词图并计算节点之间的相似度来识别重要词汇。

示例代码：

text = "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。"

keywords = jieba.analyse.textrank(text, topK=5, withWeight=True)

for word, weight in keywords:

print(f"关键词: {word}, 权重: {weight}")

性能对比

在实际应用中，jieba 的不同分词模式对性能和准确率有显著影响。以下是对不同模式的对比分析：

模式	速度	准确率	应用场景
精确模式	中等	高	文本分析、内容提取
全模式	快	低	关键词提取、快速初步分析
搜索引擎模式	较慢	中等	搜索引擎的倒排索引

示例性能对比代码：

import time

text = "我来到北京清华大学"

# 精确模式

start = time.time()

jieba.cut(text, cut_all=False)

print("精确模式耗时: ", time.time() - start)

# 全模式

start = time.time()

jieba.cut(text, cut_all=True)

print("全模式耗时: ", time.time() - start)

# 搜索引擎模式

start = time.time()

jieba.cut_for_search(text)

print("搜索引擎模式耗时: ", time.time() - start)

常见问题解答

分词不准确

问题：某些词被错误分割，尤其是专业术语或人名。

解决方案：使用 add_word() 方法添加特定词汇或加载自定义词典，以提高分词的准确性。

编码问题

问题：在使用 GBK 编码的文本时，出现乱码或分词错误。

解决方案：尽量使用 UTF-8 编码的字符串，避免直接输入 GBK 字符串。

如何处理歧义词

问题：某些词具有多种含义，分词结果不理想。

解决方案：使用 suggest_freq() 方法调整词频，指导分词器优先识别特定词义。

总结

jieba 是一个灵活且功能丰富的中文分词工具。通过不同的分词模式和自定义词典，用户可以针对特定需求进行优化。无论是文本分析还是关键词提取，jieba 都能为你提供强大的支持。

您可能感兴趣的文章 :

原文链接 :

Tag : python(1007)模块(28)

Python元组超详细介绍(小白篇)

元组（Tuple）是Python中的一种内置数据类型，用于存储多个有序的元素。与列表不同，元组是不可变的，这意味着一旦创建，元组中的元素就
Python中jieba模块使用方法介绍

在中文自然语言处理（NLP）中，分词是基本而关键的步骤。由于中文没有空格，分词可以帮助我们更好地理解和处理文本。jieba是一个流行的
Python中魔法参数 *args 和 **kwargs使用介绍

在Python编程中，函数的灵活性是其强大之处之一。其中，*args 和 **kwargs 是实现函数参数可变性的重要工具。无论我们是Python初学者还是经验
python学习之subprocess模块介绍

subprocess功能：创建子进程，并连接他的输入、输出和错误管道，获取其返回状态（可以在python代码中执行操作系统级别的命令） 1. subproce
Python中使用pip换源的流程

在Python开发过程中，我们经常需要安装各种第三方库。pip是Python的包管理工具，用于安装和管理Python库。然而，由于网络原因，有时访问默
使用Python中wordcloud库绘制词云图的教程

词云图（Word Cloud）是数据可视化中常用的一种技术，通过将文字以不同的大小、颜色和方向排列，以展示文本数据中词汇的频次和重要性。
Python文件批量处理操作的实现

在日常的开发和数据处理过程中，我们可能会遇到需要对大量文件进行批量操作的场景。比如，批量重命名文件、批量移动文件、批量修改
python的三种等待方式及优缺点介绍

一、调用方式 1.强制等待调用time模块，使用time.sleep(n),强制等待n秒 2.隐式等待 implicitly_wait(n)，设置隐式等待最大时间n秒，等待元素加载完
利用Python爬虫精准获取淘宝商品

在数字化时代，数据的价值日益凸显，尤其是在电子商务领域。淘宝作为中国最大的电商平台之一，拥有海量的商品数据，对于研究市场趋
PIL图像与数组之间转换的使用二十j

getpixel 如果想对图像进行细致地处理，那么操作像素是必不可少的一步。在Image类中，通过getpixel可以得到图像在某个坐标位置处的像素值，