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：
- 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 - 时间词(1个一类，1个二类)
t 时间词
tg 时间词性语素 - 处所词(1个一类)
s 处所词 - 方位词(1个一类)
f 方位词 - 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 - 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 - 区别词(1个一类，2个二类)
b 区别词
bl 区别词性惯用语 - 状态词(1个一类)
z 状态词 - 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 - 数词(1个一类，1个二类)
m 数词
mq 数量词 - 量词(1个一类，2个二类)
q 量词
qv 动量词
qt 时量词 - 副词(1个一类)
d 副词 - 介词(1个一类，2个二类)
p 介词
pba 介词“把”
pbei 介词“被” - 连词(1个一类，1个二类)
c 连词
cc 并列连词 - 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”） - 叹词(1个一类)
e 叹词 - 语气词(1个一类)
y 语气词(delete yg) - 拟声词(1个一类)
o 拟声词 - 前缀(1个一类)
h 前缀 - 后缀(1个一类)
k 后缀 - 字符串(1个一类，2个二类)
x 字符串
xx 非语素字
xu 网址URL - 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：$
网友评论