python学习(12)————jieba分析数据
2016-08-26 17:25
411 查看
jieba安装
jieba是一个python开发的中文分词工具安装方法:
全自动安装:进入python安装路径,进入Scripts文件夹,使用easy_install或者pip安装
半自动安装:先下载http://pypi.python.org/pypi/jieba/ ,解压后运行python setup.py install
手动安装:将jieba目录放置于当前目录或者site-packages目录
通过import jieba 来引用 (第一次import时需要构建Trie树,需要几秒时间)
jieba功能
在线演示网站:http://jiebademo.ap01.aws.af.cm/功能 1 :分词
[b]jieba.cut方法接受两个输入参数[/b]1) 第一个参数为需要分词的字符串
2)cut_all参数用来控制是否采用全模式
[b]jieba.cut_for_search方法接受一个参数[/b]
需要分词的字符串,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
注意:待分词的字符串可以是gbk字符串、utf-8字符串或者unicode
[b]jieba.cut以及jieba.cut_for_search返回的结构[/b]
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),也可以用list(jieba.cut(…))转化为list
代码示例:
#encoding=utf-8 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) 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") #搜索引擎模式 print ", ".join(seg_list)
结果:
【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 【新词识别】: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) 【搜索引擎模式】: 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
功能 2 :添加自定义词典
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,一部分为词语,另一部分为词频,最后为词性(可省略),用空格隔开
范例:
之前: 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
加载自定义词库后: 李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
自定义词典:https://github.com/fxsjy/jieba/blob/master/test/userdict.txt
用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_userdict.py
“通过用户自定义词典来增强歧义纠错能力” — https://github.com/fxsjy/jieba/issues/14
功能 3 :关键词提取
jieba.analyse.extract_tags(sentence,topK) #需要先import jieba.analysesetence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
代码示例 (关键词提取)
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
功能 4 : 词性标注
标注句子分词后每个词的词性,采用和ictclas兼容的标记法用法示例:
>>> import jieba.posseg as pseg >>> words =pseg.cut("我爱北京天安门") >>> for w in words: ... print w.word,w.flag ... 我 r 爱 v 北京 ns 天安门 ns
功能 5 : 并行分词
原理: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基于python自带的multiprocessing模块,目前暂不支持windows
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()
4000
# 关闭并行分词模式
例子: https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
实验结果:在4核3.4GHz Linux机器上,对金庸全集进行精确分词,获得了1MB/s的速度,是单进程版的3.3倍。
功能 6 : Tokenize:返回词语在原文的起始位置
注意,输入参数只接受unicode默认模式
result = jieba.tokenize(u'永和服装饰品有限公司') for tk in result: print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]) word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限公司 start: 6 end:10
搜索模式
result = jieba.tokenize(u'永和服装饰品有限公司',mode='search') for tk in result: print "word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]) word 永和 start: 0 end:2 word 服装 start: 2 end:4 word 饰品 start: 4 end:6 word 有限 start: 6 end:8 word 公司 start: 8 end:10 word 有限公司 start: 6 end:10
功能 7 : ChineseAnalyzer for Whoosh搜索引擎
引用: from jieba.analyse import ChineseAnalyzer用法示例:https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
其他词典
占用内存较小的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.small支持繁体分词更好的词典文件 https://github.com/fxsjy/jieba/raw/master/extra_dict/dict.txt.big
下载你所需要的词典,然后覆盖jieba/dict.txt 即可或者用jieba.set_dictionary(‘data/dict.txt.big’)
转载自http://www.oschina.net/p/jieba
相关文章推荐
- python学习-数据分析2(分类型数据处理+SVM建模)
- (转载)Python学习–数据分析路线
- 利用python进行数据分析(学习笔记)
- 『利用Python进行数据分析学习』第四章:numpy基础学习
- python数据分析与挖掘学习笔记(1)-基础及准备
- python学习-文本数据分析1(主题提取+词向量化)
- Python: 利用Python进行数据分析 学习记录
- 用data.DataReader读取股价数据并分析--python学习笔记17
- Python数据分析之numpy学习
- python数据分析入门学习笔记儿
- 快速学习 Python 数据分析包 之 pandas
- 利用Python进行数据分析(12) pandas基础: 数据合并
- Python 数据分析(二 本实验将学习利用 Python 数据聚合与分组运算,时间序列,金融与经济数据应用等相关知识
- python数据分析入门学习笔记儿
- Python & 数据分析学习笔记[第1篇]
- 《利用Python进行数据分析: Python for Data Analysis 》学习随笔
- Python 数据分析(一) 本实验将学习 pandas 基础,数据加载、存储与文件格式,数据规整化,绘图和可视化的知识
- 零基础学习Python数据分析
- python数据分析与挖掘学习笔记(2)-淘宝商品数据清洗及预处理
- Data Analysis学习笔记 --- Python数据分析入门知识