[[405821]]

前言

大家好，我是黃偉。上周我們分享了詞云，手把手教你使用Python打造絢麗的詞云圖，這次我們來看看分詞。我們從之前學(xué)習過的wordcloud可以得知它只能進行英文分詞，中文暫不支持，這也正是它美中不足的地方，但是有個模塊正好彌補了這一點，它就是----jieba，中文名結(jié)巴，沒錯，你沒聽錯也沒看錯，就是結(jié)巴。

一、jieba的使用

1.安裝

jieba的安裝不管在哪個地方安裝都是一個老大難的問題，這也真是讓小編頭痛欲裂，幸好小編昨天下好了(花了一天，不好意思說出口)。。

下載好后，我們解壓它，在文件主目錄中按住shift鍵然后右擊選擇‘在此處打開命令窗口’，然后輸入命令：

python setup.py install 

安裝即可，可以看到安裝的版本信息：

2.jieba的分詞模式

一、精確模式

它可以將結(jié)果十分精確分開，不存在多余的詞。

常用函數(shù)：lcut(str) 、 cut(str)

比如我隨便找一段話進行拆分：

import jieba 
aa=jieba.cut('任性的90后boy') 

這樣我們就得到了aa這樣一個生成器序列，然后我們將它遍歷即可得到最終結(jié)果：

如果不想讓它換行顯示，想讓它在一行顯示并且能看到效果的話，可以這樣做：

很顯然，我的關(guān)鍵字太少，導(dǎo)致它的效果不是很明顯，下面增加關(guān)鍵字：

經(jīng)過這次的修改，是不是就清楚多了了。

二、全模式

它可以將結(jié)果全部展現(xiàn)，也就是一段話可以拆分進行組合的可能它都給列舉出來了，不信可以來看看

常用函數(shù)：

lcut(str,cut_all=True) 、 cut(str,cut_all=True) 

還是來看下它的妙處：

可以看到，它將這段話中所有可能的組合都列舉出來了，但是有些組合顯然不是我們想要的。

三、搜索引擎模式

將結(jié)果精確分開，對比較長的詞進行二次切分。

lcut_for_search(str) 、cut_for_search(str) 

它的妙處在于它可以將全模式的所有可能再次進行一個重組，下面來看下：

這樣就可以看到我們想要的結(jié)果了，所以說這種模式十分適合搜索引擎搜索查找功能。

我們還可以使用列表的count方法統(tǒng)計出分詞中某個詞出現(xiàn)的頻率：

print(ab.count('武漢')) #這樣的話就是1 

通過對上文的了解，相信大家對于lcut 和cut的區(qū)別還有點陌生，其實lcut和cut都能達到中文分詞的效果，只是不同的是lcut返回的結(jié)果是列表，而cut返回的是生成器罷了。

3.jieba的其它應(yīng)用

1)、添加新詞

它是將本身存在于文本中的詞進行一個重組，讓它成為一個個體，使之更為形象而設(shè)立的：

可以看到，它現(xiàn)在就可以將我設(shè)置的兩個詞連貫起來，這對于名字分詞是很有幫助的，有時候分詞會將三個字甚至是多個字的人名劃分開來，這個時候我們就需要用到添加新詞了。當然，如果你添加了文本中沒有的詞，那是沒有任何效果，可以看到：

這個自己定義的是無法顯示在這上面的，jieba添加新詞只會添加文本里有的詞，如果想添加其它詞，我們得用到字典，添加屬于自己的字典。

2)、添加字典

jieba可以添加屬于自己的字典，用來切分查找關(guān)鍵詞。這樣就可以有效縮小查找范圍，從而使得匹配完成度更高，時間更短。我們可以使用load_userdict函數(shù)來讀取自定義詞典，它需要傳入一個文件名，格式如下：

#文件一行只可寫三項參數(shù)，分別為詞語、詞頻（可省略）、詞性（可省略）空格隔開，順序不可顛倒 
jieba.load_userdict(file) 

這樣就可以讀取到該文件中的所有文本，然后我們讓它去匹配我們要進行分詞的文本，然后利用三大模式中的一種就可以精確匹配到要查找的內(nèi)容。

可以看到，我們成功匹配到了以文件字典為結(jié)構(gòu)體的內(nèi)容，這樣我們就可以更加精確的匹配到結(jié)果而不至于添字掉字。

3)、刪除新詞

有添加肯定就有刪除，那么刪除新詞是怎么一回事呢?如果我們對自己所添加的新詞不滿意，可以直接刪除，這樣就可以。

可以看到，分詞結(jié)果又回到了原來的形式，不過由于我只刪除了一個，所以另一個保留，依然是‘湖北武漢’。

4)、處理停用詞

在有時候我們處理大篇幅文章時，可能用不到每個詞，需要將一些詞過濾掉，這個時候我們需要處理掉這些詞，比如我們比較熟悉的‘的’ ‘了’、 ‘哈哈’ 什么的，這些都是可有可無的詞，下面我們來學(xué)習下如何去除：

可以看到，我們成功去除了我們不需要的詞：‘的’，‘了’，‘哈哈’，那么這到底是個什么騷操作呢?哦，其實很簡單，就是將這些需要摒棄的詞添加到列表中，然后我們遍歷需要分詞的文本，然后進行判讀，如果遍歷的文本中的某一項存在于列表中，我們便棄用它，然后將其它不包含的文本添加到字符串，這樣生成的字符串就是最終的結(jié)果了。

5)、權(quán)重分析

很多時候我們需要將關(guān)鍵詞以出現(xiàn)的次數(shù)頻率來排列，這個時候就需要進行權(quán)重分析了，這里提供了一個函數(shù)可以很方便我們進行分析，

可以看到它將字符串中出現(xiàn)頻率最高的幾個詞按順序排列了出來，如果你想打印出這幾個詞的頻率的話，只需添加一個withWeight參數(shù)即可:

那么這些參數(shù)是什么意思呢?哦，原來topK就是指你想輸出多少個詞，withWeight指輸出的詞的詞頻。

6)、調(diào)節(jié)單個詞語的詞頻

在分詞過程中，我們可以將某個詞顯示進行劃分。不過，詞頻在使用 HMM 新詞發(fā)現(xiàn)功能時可能無效，需要將它設(shè)置為False。

aa=jieba.lcut('我再也回不到童年美好的時光了，哈哈，想想都覺得傷心了',HMM=False) #為調(diào)節(jié)詞頻做準備 
print('/'.join(aa)) 
jieba.suggest_freq(('美','好'),tune=True)#加上tune參數(shù)表示可以劃分 
aa=jieba.lcut('我再也回不到童年美好的時光了，哈哈，想想都覺得傷心了',HMM=False) 
print('/'.join(aa)) #生成新詞頻 

可以看到它將美和好分開了。

7)、查看文本內(nèi)詞語的開始和結(jié)束位置

有時候我們?yōu)榱说玫侥硞€詞的準確位置以及分布情況我們可以使用函數(shù)tokenize()來定位。

8)、修改字典路徑

如果你覺得當前使用字典無法滿足要求，你可以重新設(shè)置字典，剛才我們介紹了讀取字典、添加字典、刪除字典的方法，現(xiàn)在我們來說一種重新設(shè)置字典的方法，它就是：jieba.set_dictionary(file)，里面還是加的文件名，但是你在重新設(shè)置前必須要初始化jieba，不然可能設(shè)置失誤，方法如下：

import jieba 
jieba.initialize() #初始化jeiba 
jieba.set_dictionary('OSI.txt') #設(shè)置字典 

四、總結(jié)

jieba這款分詞工具，總體來說還是挺厲害的，我們可以用它來獲取并過濾許多對于我們來說比較核心的東西，它就等于數(shù)據(jù)分析中的一塊敲門磚，當然它只是其中的一塊而已，哈哈哈。