位置: IT常识 - 正文

Python中文分词及词频统计(python中文分词代码)

编辑:rootadmin
Python中文分词及词频统计 Python中文分词及词频统计中文分词

中文分词(Chinese Word Segmentation),将中文语句切割成单独的词组。英文使用空格来分开每个单词的,而中文单独一个汉字跟词有时候完全不是同个含义,因此,中文分词相比英文分词难度高很多。

分词主要用于NLP 自然语言处理(Natural Language Processing),使用场景有:

搜索优化,关键词提取(百度指数) 语义分析,智能问答系统(客服系统) 非结构化文本媒体内容,如社交信息(微博热榜) 文本聚类,根据内容生成分类(行业分类)

分词库

Python的中文分词库有很多,常见的有:

jieba(结巴分词)

THULAC(清华大学自然语言处理与社会人文计算实验室)

pkuseg(北京大学语言计算与机器学习研究组)

SnowNLP

pynlpir

CoreNLP

pyltp

通常前三个是比较经常见到的,主要在易用性/准确率/性能都还不错。我个人常用的一直都是结巴分词(比较早接触),最近使用pkuseg,两者的使用后面详细讲。

结巴分词简介

“结巴”中文分词:做最好的 Python 中文分词组件

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

实例

我们使用京东商场的美的电器评论来看看结巴分词的效果。如果你没有安装结巴分词库则需要在命令行下输入pip install jieba,安装完之后即可开始分词之旅。

评论数据整理在文件meidi_jd.csv文件中,读取数据前先导入相关库。因为中文的文本或文件的编码方式不同编码选择gb18030,有时候是utf-8、gb2312、gbk自行测试。

​ # 导入相关库 import pandas as pd import jieba ​ # 读取数据 data = pd.read_csv('meidi_jd.csv', encoding='gb18030') ​ # 查看数据 data.head() # 生成分词 data['cut'] = data['comment'].apply(lambda x : list(jieba.cut(x))) ​ data.head()

到这里我们仅仅通过一行代码即可生成中文的分词列表,如果你想要生成分词后去重可以改成这样。

data['cut'] = data['comment'].apply(lambda x : list(set(jieba.cut(x)))) ['很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好', '很', '好']

这时候我们就需要导入自定义的词典,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。自定义词典采用一词一行,为了演示我添加了“很好”并保存在dict.txt文件中,让我们开始用自定义的词典吧!

data['cut'] = data['comment'].apply(lambda x : list(jieba.cut(x))) ​ data.head() ​ print(data['cut'].loc[14]) ['很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好', '很好']停用词

分词的过程中我们会发现实际上有些词实际上意义不大,比如:标点符号、嗯、啊等词,这个时候我们需要将停用词去除掉。首先我们需要有个停用词词组,可以自定义也可以从网上下载词库,这里我们使用网上下载的停用词文件StopwordsCN.txt。

# 读取停用词数据 stopwords = pd.read_csv('StopwordsCN.txt', encoding='utf8', names=['stopword'], index_col=False) ​ stopwords.head()

推荐整理分享Python中文分词及词频统计(python中文分词代码),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python中文分词代码,python中文分词工具,python 中文分词,python文本分词处理,python 中文分词,python中文分词代码,python中文分词库,python中文分词库,内容如对您有帮助,希望把文章链接给更多的朋友!

接下里我们只要适当更改分词的代码即可在分词的时候去掉停用词:

 # 转化词列表 stop_list = stopwords['stopword'].tolist() ​ # 去除停用词 data['cut'] = data['comment'].apply(lambda x : [i for i in jieba.cut(x) if i not in stop_list]) ​ data.head()词频统计

到这里我们基本是已经学会用Python库进行分词,关于词频统计的方式也很多,我们先将所有分词合并在一起方便统计。

# 将所有的分词合并 words = [] ​ for content in data['cut']: words.extend(content)方式一: # 创建分词数据框 corpus = pd.DataFrame(words, columns=['word']) corpus['cnt'] = 1 ​ # 分组统计 g = corpus.groupby(['word']).agg({'cnt': 'count'}).sort_values('cnt', ascending=False) ​ g.head(10)方式二: # 导入相关库 from collections import Counter from pprint import pprint ​ ​ counter = Counter(words) ​ # 打印前十高频词 pprint(counter.most_common(10)) [('不错', 3913), ('安装', 3055), ('好', 2045), ('很好', 1824), ('买', 1634), ('热水器', 1182), ('挺', 1051), ('师傅', 923), ('美', 894), ('送货', 821)]结尾

我个人的使用建议,如果想简单快速上手分词可以使用结巴分词,但如果追求准确度和特定领域分词可以选择pkuseg加载模型再分词。另外jieba和THULAC并没有提供细分领域预训练模型,如果想使用自定义模型分词需使用它们提供的训练接口在细分领域的数据集上进行训练,用训练得到的模型进行中文分词。

代码练习 import jieba import jieba.analyse import codecs import re from collections import Counter from wordcloud import WordCloud import matplotlib.pyplot as plt import wordcloud ​ str = "我在河南大学上学,今年22岁了" ​ seg_list = jieba.cut(str,cut_all=True) print("全模式:"+"/".join(seg_list)) ​ seg_list = jieba.cut(str,cut_all=False) print("默认(精确模式):"+"/".join(seg_list)) ​ # 搜索引擎模式 seg_list = jieba.cut_for_search(str) print("搜索引擎模式:"+"/".join(seg_list)) ​ # 添加用户自定义词典 str = "大连圣亚在大连" seg_list = jieba.cut(str,cut_all=False) print("默认(精确模式):"+"/".join(seg_list)) ​ # 添加自定义词典后 jieba.load_userdict(r"./user_dict.txt") seg_list = jieba.cut(str,cut_all=False) print("默认(精确模式):"+"/".join(seg_list)) ​ str = "我家在河南省驻马店市汝南县东官庄镇" seg_list = jieba.cut(str) #默认是精确模式 print("精确模式:"+"/".join(seg_list)) ​ # 动态调整词典 jieba.add_word("东官庄镇") seg_list = jieba.cut(str) print("精确模式:"+"/".join(seg_list)) ​ ​ # 加载停用词 # 创建停用词列表 def stopwordlist(): stopwords = [line.strip() for line in open('./hit_stopwords.txt',encoding='UTF-8').readlines()] return stopwords ​ ​ # 对句子进行中文分词 def seg_depart(sentence): print('正在分词') sentence_depart = jieba.cut(sentence.strip()) # 创建一个停用词列表 stopwords = stopwordlist() # 输出结果为 outstr outstr = '' # 去停用词 for word in sentence_depart: if word not in stopwords: if word != '\t': outstr += word outstr += " " return outstr ​ ​ # 给出文档路径 filename = "./text.txt" outfilename = "./out.txt" inputs = open(filename,'r',encoding='UTF-8') outputs = open(outfilename,'w',encoding='UTF-8') ​ ​ jieba.add_word("停用词") # 将输出结果写到out.txt中 for line in inputs: line_seg = seg_depart(line) ​ outputs.write(line_seg + '\n') print("-------------------------正在分词和去停用词--------------------------") print("原文:"+line) print("去停用词:"+line_seg) ​ outputs.close() inputs.close() print("删除停用词和分词成功!!!") ​ ​ # class WordCounter(object): def count_from_file(file,top_limit=0): with codecs.open(file,'r','UTF-8') as f: content = f.read() # 将多个空格替换为一个空格 content =re.sub(r'\s+',r' ',content) content = re.sub(r'\.+',r' ',content) ​ # 去停用词 content = seg_depart(content) ​ ​ return count_from_str(content,top_limit=top_limit) ​ ​ def count_from_str(content,top_limit=0): if top_limit <= 0: top_limit = 100 # 提取文章的关键词 tags = jieba.analyse.extract_tags(content,topK=100) ​ words = jieba.cut(content) ​ counter = Counter() ​ for word in words: if word in tags: counter[word] += 1 ​ return counter.most_common(top_limit) ​ ​ # if __name__ == '__main__': # counter = WordCounter() # retult = counter.count_from_file(r'./text.txt',top_limit=10) ​ # print(retult) ​ print("打印词频==============") retult = count_from_file(r'./text.txt',top_limit=10) print(retult) ​ ​ print("*"*100) ​ # 例子 # sentence = 'Ilikeyou ' # wc = wordcloud.WordCloud() # pic = wc.generate(sentence) # plt.imshow(pic) # plt.axis("off") # plt.show() ​ # wc.to_file('test.png') ​ print("分词并生成词云图") ​ def create_word_cloud(file): ​ content = codecs.open(file,'r','UTF-8').read() # 结巴分词 wordlist = jieba.cut(content) wl = " ".join(wordlist) ​ print(wl) ​ # 设置词云图 wc = wordcloud.WordCloud( # 设置背景颜色 background_color='pink', # 设置最大显示的词数 max_words=100, # 设置字体路径 font_path = 'C:\Windows\Fonts\msyh.ttc', height = 1200, width=1600, # 设置字体最大值 max_font_size=300, # 设置有多少种配色方案,即多少种随机生成状态 random_state=30, ) ​ # 生成词云图 myword = wc.generate(wl) ​ # 展示词云图 plt.imshow(myword) plt.axis("off") plt.show() wc.to_file('py_pic.png') ​ # content = codecs.open("./text.txt",'r','UTF-8').read() create_word_cloud("text.txt") ​ ​
本文链接地址:https://www.jiuchutong.com/zhishi/299885.html 转载请保留说明!

上一篇:前端+后端项目 - 论坛信息管理系统(Web+servlet+MySQL+JDBC)(前端项目和后端项目)

下一篇:二十场数学建模竞赛【详细思路+代码】总结(数学建模 比赛)

  • 购房补贴退契税多久到账
  • 建设部门罚款会计分录
  • 租赁费属于酌量收入吗
  • 保证金利息收入怎么算
  • 计提房产税计入哪个科目
  • 采购退货红字发票怎么写
  • 在建工程 费用
  • 往年预付账款错了,应如何调?
  • 生产经营期间固定资产报废清理的净损失
  • 递延收益为什么要摊销
  • 残保金超比例奖励
  • 订金退回怎么做账
  • 购买汽车怎么抵扣增值税
  • 出口供货企业
  • 委托加工收回后直接销售的消费税
  • 废旧物资回收需要什么手续
  • 会计怎么避免坐牢
  • 文化事业建设费减免政策
  • 年数总和法折旧公式
  • 福利企业的增值税是多少
  • 企业装修期间开工怎么办
  • 加工费计入应付账款可以吗
  • 扶贫贷款主要指
  • 不征税发票如何开具
  • 高新创投企业所得税税率
  • 反映企业在一定会计期间经营成果的会计报表
  • 天猫积分类服务费账务处理
  • s3tray2.exe - s3tray2是什么进程 有什么用
  • ihs.exe是什么
  • 后端接口返回数据类型规范
  • 如何使用微信公交付款
  • 公司购买邮票计入什么科目
  • 未签订销售合同
  • 公转私备注用途
  • 第二季度所得税怎么算
  • 围剿视频
  • 公司注销开户行需要注销吗
  • 对公账户和私人账户怎么区分
  • 固定资产售后回购会计处理
  • php运行乱码怎么办
  • 企业注销时实收资本没有到位要紧吗
  • 企业出租无形资产使用权取得的收入应计入
  • 应交税费应交增值税的三级科目有哪些
  • SQL Server 2005 DTS导入平面数据出现错误解决方案
  • 商场超市收银员每日工作流程
  • 财务费用的科目类别是什么
  • 修改mysql配置
  • 民宿的房屋租赁费怎么算
  • 进项税额转出期限是多久
  • 如何区分借贷方和负债方
  • 金税盘入什么科目
  • 转让金融商品应交增值税可以抵扣吗
  • 本期已认证且不抵扣怎么申报
  • 留抵税额在账上没有,怎么办
  • 固定资产折旧从什么时候
  • 主营业务收入和营业外收入的区别
  • 在企业中的应用
  • mysql中使用instr进行模糊查询方法介绍
  • 索引的基本原则
  • mysql5624安装教程
  • windows 9
  • ubuntu系统无法安装中文
  • 快速任务栏
  • 微软推出copilotpro订阅
  • 苹果电脑优酷视频播放不了
  • win7旗舰版重装系统教程
  • opengl sharder
  • cocos2dx游戏有哪些
  • linux文本操作命令
  • javascript unicode与GBK2312(中文)编码转换方法
  • jquery类型转换
  • 数字图像处理期末考试
  • 安卓下载功能
  • javascript教程完整版
  • 申报比对不符怎么回事
  • 广州地税预约网官网
  • 县级税务
  • 深圳海吉星管理处电话
  • 发票真伪查询国税官网12366
  • 外籍人个人所得税汇算清缴流程
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设