jieba分词

jieba 主要用于Python中文分词，主要有以下3种特性：

支持3种分词模式：精确模式、全模式、搜索引擎模式
支持繁体分词
支持自定义词典

# 导入jieba
import jieba
import jieba.posseg as pseg #词性标注
import jiaba.analyse as anls # 关键词提取

1 分词

可使用jieba.cut和jieba.cut_for_search方法进行分词，两者所返回的结构都是一个可迭代的 gengeator ，可使用for循环获得分词后得到的每一个词语（unicode），或者直接使用jieba.lcut以及jieba.lcut_for_search直接返回list。其中：

jieba.cut和jieba.lcut接受3个参数：
- 需要分词的字符串（Unicode 或 UTF-8字符串、GBK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
jieba.cut_for_search和jieba.lcut_for_search接受2个参数：
- 需要分词的字符串（Unicode 或 UTF-8字符串、GBK字符串）
- HMM参数：用来控制是否使用HMM模型，默认值为True

/ 尽量不要使用GBK字符串，可能会被错误解码成UTF-8

1.1 全模式和精确模式

# 全模式
seg_list = jieba.cut("他来到上海交通大学", cut_all=True)
print("【全模式】：" + " / ".join(seg_list) )

>> 【全模式】：他/来到/上海/上海交通大学/交通/大学

# 精确模式
seg_list = jieba.cut("他来到上海交通大学", cut_all=False)
print("【精确模式】：" + " / ".join(seg_list) )

>> 【精确模式】：他/来到/上海交通大学

type(seg_list)

>> generator

# 返回列表
seg_list = jieba.lcut("他来到上海交通大学", cut_all=True)
print(seg_list)

>> ['他', '来到', '上海', '上海交通大学', '交通', '大学']

seg_list = jieba.lcut("他来到上海交通大学", cut_all=False)
print(seg_list)

>> ['他', '来到', '上海交通大学']

type(seg_list)
>> list

1.2 搜索引擎模式

# 搜索引擎模式
seg_list = jieba.cut_for_search("他毕业于上海交通大学机电系，后来在一机部上海电器科学研究所工作" )
print("【搜索引擎模式】：" + "/ ".join(seg_list))

>> 【搜索引擎模式】：他/毕业/于/上海/交通/大学/上海交通大学/机电/系/，/后来/在/一机部/上海/电器/科学/研究/研究所/工作

# 返回列表
seg_list = jieba.lcut_for_search("他毕业于上海交通大学机电系，后来在一机部上海电器科学研究所工作")
print("{0}".format(seg_list))

>> ['他', '毕业', '于', '上海', '交通', '大学', '上海交通大学', '机电', '系', '，', '后来', '在', '一机部', '上海', '电器', '科学', '研究', '研究所', '工作']

1.3 HMM模型

HMM模型，即隐马尔可夫模型，是一种基于概率的统计分析模型，用来描述一个系统隐性状态的转移和隐性状态的表现概率。在jieba中，对于未登录到词库的词，使用了基于汉字成词能力的HMM模型和Viterbi算法，其大致原理是：

采用四个隐含状态，分别表示为单字成词，词组的开头，词组的中间，词组的结尾。通过标注好的分词训练集，可以得到HMM的各个参数，然后使用Viterbi算法来解释测试集，得到分词结果。

# 未启用HMM
seg_list = jieba.cut("他来到了网易杭研大厦", HMM=False) # 默认精确模式和启用HMM
print(【未启用 HMM】：" + "/ ".join(seg_list))  

>> 【未启用HMM】:他/来到/了/网易/杭/研/大厦

# 启用HMM
seg_list = jieba.cut("他来到了网易杭研大厦", HMM=True) # 默认精确模式和启用HMM
print(【启用 HMM】：" + "/ ".join(seg_list))  

>> 【启用HMM】:他/来到/了/网易/杭研/大厦

2、繁体字分词

Python支持繁体字分词，用法与上面相同。

3、添加自定义词典

开发者可以指定自定义词典，以便包含jieba词库里没有的词，词典格式如下：

词语词频（可省略）词性（可省略）

例如：

创新办 3 i
云计算 5
凯特琳 nz

虽然jieba有新词识别能力，但自行添加新词可以保证更高的准确率。

3.1 载入词典

使用jieba.load_userdict(file_name)即可载入词典。
/ file_name为文件类对象或自定义词典的路径

 # 示例文本
sample_text = "周大福是创新办主任也是云计算方面的专家"

# 未加载词典
print("未加载词典：" + '/'.join(jieba.cut(sample_text)))

>> 未加载词典：周大福/是/创新/办/主任/也/是/云/计算/方面/的/专家

# 载入词典
jieba.load_userdict(r"D:\ext.hexiaomin\数据分析\JupyterProject\userdict.txt")

# 加载词典后
print("加载词典后："+ '/'.join(jieba.cut(sample_text)))

>> 加载词典后：周大福/是/创新办/主任/也/是/云计算/方面/的/专家

3.2 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。

jieba.add_word('石墨烯') # 增加自定义词语
jieba.add_word('凯特琳', 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。

# 调节词频前
print('调节词频前：'+'/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

>> 调节词频前：如果/放到/post/中将/出错/。

# 调节词频
jieba.suggest_freq(('中', '将'), tune=True)

>> 494

# 调节词频后
print('调节词频后：'+'/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))

>> 调节词频后：如果/放到/post/中/将/出错/。

4、关键词提取

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。

4.1 基于TF-IDF算法的关键词提取

TF-IDF（词频-逆文件频率）是一种统计方法，用以评估一个词语对于一个文件集或一个语料库中的一份文件的重要程度，其原理可概括为：

一个词语在一篇文章中出现次数越多，同时在所有文档中出现次数越少，认为此词或者短语具有很好的类别区分能力，适合用来分类。

计算公式：TF-IDF = TF * IDF
TF（term frequency, TF）：词频，某一个给定的词语在该文件中出现的次数，计算公式：

image.png

这个数字通常会被归一化，用词频除以文章总次数，防止偏向长的文件。分子是该词在文件中出现的次数；分母是文件中所有词出现的次数总和。

IDF（inverse document frequency, IDF）：逆文件频率，如果包含该词条的文件越少，则说明词条具有很好的类别区分能力，计算公式：

image.png

IDF可以用总文件数目除以包含该词的文件数目，再取对数。如果该词语不在语料库中，会导致分母为0，所以一般情况下分母+1。

通过jieba.analyse.extract_tags方法可以基于TF-IDF算法进行关键字提取，该方法包括4个参数：

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

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 anls.extract_tags(s, topK=20, withWeight=True):
    print('%s %s' %(x, w))

>>
欧亚 0.7300142700289363
吉林 0.659038184373617
置业 0.4887134522112766
万元 0.3392722481859574
增资 0.33582401985234045
4.3 0.25435675538085106
7000 0.25435675538085106
2013 0.25435675538085106
139.13 0.25435675538085106
实现 0.19900979900382978
综合体 0.19480309624702127
经营范围 0.19389757253595744
亿元 0.1914421623587234
在建 0.17541884768425534
全资 0.17180164988510638
注册资本 0.1712441526
百货 0.16734460041382979
零售 0.1475057117057447
子公司 0.14596045237787234
营业 0.13920178509021275

使用jieba.analyse.TFIDF(idf_path=None)可以新建TFIFDF实例，其中idf_path为IDF频率文件。

4.2 基于TextRank算法的关键词提取

TextRank是另一种关键词提取算法，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'))。

for x, w in anls.textrank(s, withWeight=True):
    print('%s %s' % (x, w))

>>
吉林 1.0
欧亚 0.9966893354178172
置业 0.6434360313092776
实现 0.5898606692859626
收入 0.43677859947991454
增资 0.4099900531283276
子公司 0.35678295947672795
城市 0.34971383667403655
商业 0.34817220716026936
业务 0.3092230992619838
在建 0.3077929164033088
营业 0.3035777049319588
全资 0.303540981053475
综合体 0.29580869172394825
注册资本 0.29000519464085045
有限公司 0.2807830798576574
零售 0.27883620861218145
百货 0.2781657628445476
开发 0.2693488779295851
经营范围 0.2642762173558316

使用jieba.analyse.TextRank()可以新建TextRank实例。

4.3 自定义语料库

关键词提取所使用逆向文件频率（IDF）文本语料库和停止词（stop words）文本语料库可以切换成自定义语料库的路径。

jieba.analyse.set_stop_words("stop_words.txt")
jieba.analyse.set_idf_path("idf.txt.big");

5、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.df为默认词性标注分词器。

/标注句子分词后每个词的词性，采用和ictclas兼容的标记法。

words = pseg.cut("他改变了中国")

for word, flag in words:
    print("{0} {1}".format(word, flag))
>>
他 r
改变 v
了 ul
中国 ns

6、并行分词

将目标文本按行分隔后，把各行文本分配到多个Python进程并行分词，然后归并结果，从而获得分词速度的可观提升。用法：

jieba.enable_parallel(4)：开启并行分词模式，参数为并行进程数
jieba.disable_parallel()：关闭并行分词模式

注意：基于Python自带的multiprocessing模块，目前暂不支持windows

7、返回词语在原文的起止位置

使用jieba.tokenize方法可以返回词语在原文的起止位置。
注意：输入参数只接受unicode

result = jieba.tokenize(u'上海益民食品一厂有限公司')
print('普通模式')
for tk in result:
        print("word: {0} \t\t start: {1} \t\t end: {2}".format(tk[0],tk[1],tk[2]))

>>
word: 上海         start: 0        end:2
word: 益民         start: 2        end:4
word: 食品         start: 4        end:6
word: 一厂         start: 6        end:8
word: 有限公司       start: 8        end:12