2.5.jieba分词工具、Jieba安装、全模式/精确模式、添加自定义词典、关键词抽取、词性标注、词云展示

た入场券 2022-11-17 14:35 175阅读 0赞

2.5.jieba分词工具  
2.5.1.Jieba安装  
2.5.2.全模式/精确模式  
2.5.3.添加自定义词典  
2.5.4.关键词抽取  
2.5.5.词性标注  
2.5.6.词云展示

## 2.5.jieba分词工具 ##

### 2.5.1.Jieba安装 ###

(base) C:\Users\toto>pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
    Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
    Collecting jieba
      Downloading https://pypi.tuna.tsinghua.edu.cn/packages/c6/cb/18eeb235f833b726522d7ebed54f2278ce28ba9438e3135ab0278d9792a2/jieba-0.42.1.tar.gz (19.2 MB)
         |████████████████████████████████| 19.2 MB 1.6 MB/s
    Building wheels for collected packages: jieba
      Building wheel for jieba (setup.py) ... done
      Created wheel for jieba: filename=jieba-0.42.1-py3-none-any.whl size=19314482 sha256=7b583750a861096d11049bab33ec1efe91b8a89be8df8ae53e1540070c50e6ca
      Stored in directory: c:\users\toto\appdata\local\pip\cache\wheels\f3\30\86\64b88bf0241f0132806c61b1e2686b44f1327bfc5642f9d77d
    Successfully built jieba
    Installing collected packages: jieba
    Successfully installed jieba-0.42.1
    
    (base) C:\Users\toto>

### 2.5.2.全模式/精确模式 ###

import jieba
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
    print("全模式:" + "/".join(seg_list))     # 全模式
    ''' 输出结果： 全模式:我/来到/北京/清华/清华大学/华大/大学 '''
    
    seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
    print("精确模式：" + "/".join(seg_list))  # 精确模式
    """ 输出结果： 精确模式：我/来到/北京/清华大学 """
    
    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))
    ''' 输出结果: 他,来到,了,网易,杭研,大厦 '''

### 2.5.3.添加自定义词典 ###

import jieba
    
    text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
    
    # 全模式
    seg_list = jieba.cut(text, cut_all=True)
    print(u"[全模式]:", "/".join(seg_list))
    ''' 输出结果： [全模式]: 故宫/的/著名/著名景点/景点/包括/乾/清宫/、/太和/太和殿/和/黄/琉璃/琉璃瓦/等 '''
    
    # 精确模式
    seg_list = jieba.cut(text, cut_all=False)
    print(u"[精确模式]:","/".join(seg_list))
    ''' 输出结果： [精确模式]: 故宫/的/著名景点/包括/乾/清宫/、/太和殿/和/黄/琉璃瓦/等 '''

从上面可以看到的是”乾清宫”被分开了  
下面开始添加自定义词典

import jieba
    
    # mydict.txt为自定义词典，mydict.txt的文件格式需要是UTF-8,在保存文件的时候，设置文件格式为UTF-8
    jieba.load_userdict("./data/mydict.txt")
    
    # 也可以用jieba.add_word("乾清宫")
    
    text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
    
    # 全模式
    seg_list = jieba.cut(text, cut_all=True)
    print(u"[全模式]：","/".join(seg_list))
    ''' 输出结果： [全模式]： 故宫/的/著名/著名景点/景点/包括/乾清宫/清宫/、/太和/太和殿/和/黄琉璃瓦/琉璃/琉璃瓦/等 '''
    
    
    # 精确模式
    seg_list = jieba.cut(text, cut_all=False)
    print(u"[精确模式]", "/".join(seg_list))
    ''' 输出结果： [精确模式] 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/黄琉璃瓦/等 '''

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70]

### 2.5.4.关键词抽取 ###

import jieba
    import jieba.analyse
    
    # mydict.txt为自定义词典，mydict.txt的文件格式需要是UTF-8,在保存文件的时候，设置文件格式为UTF-8
    jieba.load_userdict("./data/mydict.txt")
    
    # 也可以用jieba.add_word("乾清宫")
    
    text = "故宫的著名景点包括乾清宫、太和殿和黄琉璃瓦等"
    
    # 精确模式
    seg_list = jieba.cut(text, cut_all=False)
    print(u"[精确模式]", "/".join(seg_list))
    ''' [精确模式] 故宫/的/著名景点/包括/乾清宫/、/太和殿/和/黄琉璃瓦/等 '''
    
    # 获取关键词
    tags = jieba.analyse.extract_tags(text, topK=5)
    print(u"关键词：")
    print(" ".join(tags))
    """ 关键词： 著名景点 乾清宫 黄琉璃瓦 太和殿 故宫 """
    
    tags = jieba.analyse.extract_tags(text, topK=5, withWeight=True)
    for word, weight in tags:
        print(word, weight)
    ''' 著名景点 2.3167796086666668 乾清宫 1.9924612504833332 黄琉璃瓦 1.9924612504833332 太和殿 1.6938346722833335 故宫 1.5411195503033335 '''

### 2.5.5.词性标注 ###

import jieba
    import jieba.posseg as pseg
    
    words = pseg.cut("我爱北京天安门")
    for word, flag in words:
        print("%s %s" % (word, flag))
    
    ''' 我 r 爱 v 北京 ns 天安门 ns '''

### 2.5.6.词云展示 ###

数据准备：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 2]

**代码：**

import jieba
    # pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
    from wordcloud import WordCloud
    
    # scipy.misc中已经没有imread了，用imageio来替代
    #from scipy.misc import imread
    # 可以使用：
    #import imageio
    # Img = imageio.imread(img)
    from imageio import imread
    
    
    from collections import Counter
    import matplotlib.pyplot as plt
    
    data = { }
    
    text_file = open('./data/19Congress.txt', 'r', encoding='utf-8')
    text = text_file.read()
    with open('./data/stopwords.txt', encoding='utf-8') as file:
        stopwords = { line.strip() for line in file}
    
    seg_list = jieba.cut(text, cut_all=False)
    for word in seg_list:
        if len(word) >= 2:
            if not data.__contains__(word):
                data[word] = 0
            data[word] += 1
    # print(data)
    
    my_wordcloud = WordCloud(
        background_color='white',  # 设置背景颜色
        max_words=400,  # 设置最大实现的字数
        font_path=r'./data/SimHei.ttf',  # 设置字体格式，如不设置显示不了中文
        mask=imread('./data/mapofChina.jpg'),  # 指定在什么图片上画
        width=1000,
        height=1000,
        stopwords=stopwords
    ).generate_from_frequencies(data)
    
    plt.figure(figsize=(18, 16))
    plt.imshow(my_wordcloud)
    plt.axis('off')
    plt.show()  # 展示词云
    my_wordcloud.to_file('result.jpg')
    text_file.close()

显示结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 3]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70]: /images/20221022/9d9fae809fae45c8a90ca4f099e19059.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 1]: /images/20221022/c0a3e289ea03449f9f60d3eb4ba51568.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 2]: /images/20221022/e822a687ce504cfe8988401276e49db5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RvdG8xMjk3NDg4NTA0_size_16_color_FFFFFF_t_70 3]: /images/20221022/86d7da1928504a8ab4685311df53e35e.png