记录中文分词库jieba的使用、参数及样板

之前简单的介绍了jieba库的使用，python 数据词云展示实例（1）- 京东商品评论。

本文记录一下jieba库的一些常用参数
官方github https://github.com/fxsjy/jieba

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。返回一个迭代器。

jieba.lcut使用同上，但是返回的是 list

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

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

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))

输出为：
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学

【精确模式】: 我/ 来到/ 北京/ 清华大学

【默认】：他, 来到, 了, 网易, 杭研, 大厦 

关键词提取

主要有两种方法：基于 TF-IDF 算法的关键词抽取和基于 TextRank 算法的关键词抽取。
在jieba里面的名称为：jieba.analyse.extract_tags和jieba.analyse.textrank

需要注意的是：前者默认不过滤词性，后者则默认会过滤词性('ns', 'n', 'vn', 'v')（可参考文末的词性表）

jieba.analyse.extract_tags

import jieba.analyse

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

jieba.analyse.textrank

import jieba.analyse

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。

使用样板

jieba.analyse.extract_tags

'''
读取jd_comment.txt文本内容，通过jieba.analyse.extract_tags方法筛选关键词，绘制词云

'''

import jieba.analyse
from wordcloud import WordCloud,ImageColorGenerator

f=open('/home/yhjbox/Desktop/jd_comments-7.28/example1/jd_comment.txt','r')  
contents=f.read()

result=jieba.analyse.extract_tags(contents,topK=1000,withWeight=True)

keywords = dict()
for i in result:
  keywords[i[0]]=i[1]
print(keywords) 

wc = WordCloud(font_path='/usr/share/fonts/winfonts/simfang.ttf',
               background_color='White',
               max_words=1000,
               width=1000,
               height=500,
               #mask=graph,
               scale=1,
               )
#font_path：设置字体，max_words：出现的最多词数量

wc.generate_from_frequencies(keywords)#按词出现的频率
wc.to_file("jd_comment.jpg")

结果显示：
{'舒服': 0.47536917846257937, '不错': 0.225618537521803, '穿着': 0.21326472856393613, '内衣': 0.2016894321875567, '质量': 0.1871072280868928, '非常': 0.13341056610756394, '收到': 0.12721841432032469, '满意': 0.10915776704747325, '喜欢': 0.09516381880606567, '舒适': 0.09206332667271902, '合适': 0.07589358703941229, '面料': 0.07145172159387991, '感觉': 0.06753810395328497, '挺舒服': 0.06688503395338291,.....

jd_comment.jpg

jieba.analyse.textrank

'''
读取jd_comment.txt文本内容，通过jieba.analyse.textrank方法筛选关键词，绘制词云

'''

import jieba.analyse
from wordcloud import WordCloud,ImageColorGenerator

f=open('/home/yhjbox/Desktop/jd_comments-7.28/example1/jd_comment.txt','r')  
contents=f.read()

result=jieba.analyse.textrank(contents,topK=1000,withWeight=True)
#默认过滤了词，除非加上allowPOS=('ns', 'n', 'vn', 'v')


keywords = dict()
for i in result:
  keywords[i[0]]=i[1]
print(keywords) 

wc = WordCloud(font_path='/usr/share/fonts/winfonts/simfang.ttf',
               background_color='White',
               max_words=1000,
               width=1000,
               height=500,
               #mask=graph,
               scale=1,
               )
#font_path：设置字体，max_words：出现的最多词数量

wc.generate_from_frequencies(keywords)#按词出现的频率
wc.to_file("jd_comment.jpg")

结果显示：
{'质量': 1.0, '穿着': 0.9200055415709553, '内衣': 0.7538668025054438, '没有': 0.6467056992227592, '收到': 0.6429399411659895, '满意': 0.5357806573771569, '购买': 0.4528262852785809, '喜欢': 0.4501107283351987,......

jd_comment.jpg

手动设置过滤词

上述两种方法，如果希望某些个词不要出现在词云当中的话，可以使用jieba.analyse.set_stop_words方法，把不希望出现的词写在stop.txt文件中，一行一个。

加在jieba.analyse.extract_tags或者jieba.analyse.textrank语句之前就可以了。

jieba.analyse.set_stop_words('stop.txt')

如设置不要出现“质量”、“内衣”两个词，两种方法的效果分别如下：

jd_comment.jpg

jd_comment.jpg

常用词性表
注：jieba分词的词性表如下：

另附词性标注表如下：

1. 名词 (1个一类，7个二类，5个三类)
   　　名词分为以下子类：
   　　　　n 名词
   　　　　nr 人名
   　　　　nr1 汉语姓氏
   　　　　nr2 汉语名字
   　　　　nrj 日语人名
   　　　　nrf 音译人名
   　　　　ns 地名
   　　　　nsf 音译地名
   　　　　nt 机构团体名
   　　　　nz 其它专名
   　　　　nl 名词性惯用语
   　　　　ng 名词性语素
2. 时间词(1个一类，1个二类)
   　　　　t 时间词
   　　　　tg 时间词性语素
3. 处所词(1个一类)
   　　　　s 处所词
4. 方位词(1个一类)
   　　　　f 方位词
5. 动词(1个一类，9个二类)
   　　　　v 动词
   　　　　vd 副动词
   　　　　vn 名动词
   　　　　vshi 动词“是”
   　　　　vyou 动词“有”
   　　　　vf 趋向动词
   　　　　vx 形式动词
   　　　　vi 不及物动词（内动词）
   　　　　vl 动词性惯用语
   　　　　vg 动词性语素
6. 形容词(1个一类，4个二类)
   　　　　a 形容词
   　　　　ad 副形词
   　　　　an 名形词
   　　　　ag 形容词性语素
   　　　　al 形容词性惯用语
7. 区别词(1个一类，2个二类)
   　　　　b 区别词
   　　　　bl 区别词性惯用语
8. 状态词(1个一类)
   　　　　z 状态词
9. 代词(1个一类，4个二类，6个三类)
   　　　　r 代词
   　　　　rr 人称代词
   　　　　rz 指示代词
   　　　　rzt 时间指示代词
   　　　　rzs 处所指示代词
   　　　　rzv 谓词性指示代词
   　　　　ry 疑问代词
   　　　　ryt 时间疑问代词
   　　　　rys 处所疑问代词
   　　　　ryv 谓词性疑问代词
   　　　　rg 代词性语素
10. 数词(1个一类，1个二类)
    　　　　m 数词
    　　　　mq 数量词
11. 量词(1个一类，2个二类)
    　　　　q 量词
    　　　　qv 动量词
    　　　　qt 时量词
12. 副词(1个一类)
    　　　　d 副词
13. 介词(1个一类，2个二类)
    　　　　p 介词
    　　　　pba 介词“把”
    　　　　pbei 介词“被”
14. 连词(1个一类，1个二类)
    　　　　c 连词
    　　　　cc 并列连词
15. 助词(1个一类，15个二类)
    　　　　u 助词
    　　　　uzhe 着
    　　　　ule 了 喽
    　　　　uguo 过
    　　　　ude1 的 底
    　　　　ude2 地
    　　　　ude3 得
    　　　　usuo 所
    　　　　udeng 等 等等 云云
    　　　　uyy 一样 一般 似的 般
    　　　　udh 的话
    　　　　uls 来讲 来说 而言 说来
    　　　　uzhi 之
    　　　　ulian 连 （“连小学生都会”）
16. 叹词(1个一类)
    　　　　e 叹词
17. 语气词(1个一类)
    　　　　y 语气词(delete yg)
18. 拟声词(1个一类)
    　　　　o 拟声词
19. 前缀(1个一类)
    　　　　h 前缀
20. 后缀(1个一类)
    　　　　k 后缀
21. 字符串(1个一类，2个二类)
    　　　　x 字符串
    　　　　xx 非语素字
    　　　　xu 网址URL
22. 标点符号(1个一类，16个二类)
    　　　　w 标点符号
    　　　　wkz 左括号，全角：（ 〔 ［ ｛ 《 【 〖 〈 半角：( [ { <
    　　　　wky 右括号，全角：） 〕 ］ ｝ 》 】 〗 〉 半角： ) ] { >
    　　　　wyz 左引号，全角：“ ‘ 『
    　　　　wyy 右引号，全角：” ’ 』
    　　　　wj 句号，全角：。
    　　　　ww 问号，全角：？ 半角：?
    　　　　wt 叹号，全角：！ 半角：!
    　　　　wd 逗号，全角：， 半角：,
    　　　　wf 分号，全角：； 半角： ;
    　　　　wn 顿号，全角：、
    　　　　wm 冒号，全角：： 半角： :
    　　　　ws 省略号，全角：…… …
    　　　　wp 破折号，全角：—— －－ ——－ 半角：--- ----
    　　　　wb 百分号千分号，全角：％ ‰ 半角：%
    　　　　wh 单位符号，全角：￥ ＄ ￡ ° ℃ 半角：$