1、jieba库基本介绍 (1)、 jieba库概述 jieba是优秀的中文分词第三方库 - 中文文本需要通过分词获得单个的词语 - jieba是优秀的中文分词第三方库,需要额外安装 - jieba库提供三种分词模式
1、jieba库基本介绍
(1)、jieba库概述
jieba是优秀的中文分词第三方库
- 中文文本需要通过分词获得单个的词语
- jieba是优秀的中文分词第三方库,需要额外安装
- jieba库提供三种分词模式,最简单只需掌握一个函数
(2)、jieba分词的原理
Jieba分词依靠中文词库
- 利用一个中文词库,确定汉字之间的关联概率
- 汉字间概率大的组成词组,形成分词结果
- 除了分词,用户还可以添加自定义的词组
2、jieba库使用说明
(1)、jieba分词的三种模式
精确模式、全模式、搜索引擎模式
- 精确模式:把文本精确的切分开,不存在冗余单词
- 全模式:把文本中所有可能的词语都扫描出来,有冗余
- 搜索引擎模式:在精确模式基础上,对长词再次切分
(2)、jieba库常用函数
3.利用jieba库统计挪威的森林词频统计
1、首先下载挪威的森林.txt才能在python中打开
import jieba txt=open("D:\\123.txt","r").read()
2、运用jieba库得到分词,且加入一个计数数组
words=jieba.lcut(txt)
counts={}
3、历遍全文计数词语出现次数
for word in words: if len(word)==1: continue else: counts[word]=counts.get(word,0)+1
4、将键值对转换成链表,且将词语出现的次数由大到小排序
items=list(counts.items()) items.sort(key=lambda x:x[1],reverse=True)
5、输出链表
for i in range(15): word,count=items[i] print("{0:<5}{1:>5}".format(word,count))
总代码
import jieba txt=open("D:\\123.txt","r").read() words=jieba.lcut(txt) counts={} for word in words: if len(word)==1: continue else: counts[word]=counts.get(word,0)+1 items=list(counts.items()) items.sort(key=lambda x:x[1],reverse=True) for i in range(15): word,count=items[i] print("{0:<5}{1:>5}".format(word,count))
结果: