jieba.cut(string,
cut_all
=
False
,HMM=
True
)
jieba.cut_for_search(string,
HMM
=
True
)
jieba.load_userdict(file_name)
jieba.add_word('石墨烯')
jieba.del_word('自定义词')
jieba.suggest_freq(segment,
tune
=
True
)
2/基于TF-IDF算法
我们只需要告诉组件停用词库，它将自己载入词库并使用它。
import jieba
jieba扩展包中，有自己的逆向文档语料库和停用词语料库，
但是如果你在用的时候发现提取关键词的效果并不好，你可以替换成自己的语料库。
jieba.analyse.set_stop_words('xxxx.txt')
jieba.analyse.set_idf_path("idf.txt.big")
jieba.analyse.extract_tags(sentence,
topK
=
20
,withWeight=
False
,allowPOS=None)
extract_tags()函数是基于TF-IDF算法进行关键词提取的。
该函数共有4个参数：
<1>sentence：待提取关键词的文本
<2>topK：为返回几个 TF-IDF 权重最大的关键词，默认值为20,权重最大的K个词语
<3>withWeight：是否一并返回关键词权重值，默认值为 False
<4>allowPOS：仅包括指定词性的词，默认值为空
停用词过滤有限，也需要手工处理部分数字、符号；
它通过词频抽取关键字，对同一篇文章的词频统计不具有统计意义，多用于宏观上的观测。
因为在TF-IDF这种算法中，一个词是不是关键词，并不仅仅是由在一篇文章的词频决定的，
还需要考虑该词在预料库中其他文章中的普遍程度。
在一篇文章中出现的次数说，并不一定就是关键词。
这就解释了为啥运用TF-IDF算法得到的关键词并不具有词频的统计意义，而是代表该词对于这篇文章的重要程度，是一种宏观上的观测。
3/基于TextRank算法
大概效果同TF-IDF，通过限定词性过滤无关字符，能得到较为工整的关键字结果。
import jieba
jieba.analyse.set_stop_words('xxxx.txt')
jieba.analyse.textrank(content,
topK
=
20
,
withWeight
=
False
,
allowPOS
=[
'ns'
,
'n'
,
'vn'
,
'v'
])
textrank()函数和TF-IDF的extract_tags()函数几乎相同，
区别在于：extract_tags()函数中的allowPOS参数默认为空，你需要的时候再去添加
而textrank()函数默认过滤词性，
allowPOS
=(
'ns'
,
'n'
,
'vn'
,
'v'
)
我们应该根据我们具体的目标去采用合适的分词算法。
1）对某一篇文章进行关键字Map，我们选择普通分词，并自行过滤关键词，或添加自定义词库。
2）对采集的一批样本进行关键字分析，我们可以选择TF-IDF，对所有的关键字进行词频统计，并绘制出关键字云图。
3）如果我们要分析一批样本中用户的分类，用户的行为，用户的目的，我们可以选择TextRank抽取指定词性的关键字进行统计分析。
参考网址： https:
在自然语言处理中，为了能更好地处理句子，往往需要把句子拆开分成一个一个的词语，
这样能更好的分析句子的特性，这个过程叫就叫做分词。
中文分词是自然语言处理中经常遇到的场景，比如我们想知道某篇文章的评论中，哪些词出现的比较多。
那么我们就需要进行分词，然后进行词频统计。
由于中文句子不像英文那样天然自带分隔，并且中文存在各种各样的词组，从而使中文分词具有一定的难度。
不过，中文分词并不追求完美，而是通过关键字识别技术，抽取句子中最关键的部分，从而达到理解句子的目的。
也就是说：中文分词并不需要把每个词都完美的切分开，而是通过关键词识别技术，把最关键的部分抽取出来。
2/jieba扩展包
jieba是目前最好的python中的中文分词模块(或者称扩展包)。
jieba这个库在中文分词界非常出名，支持简、繁体中文，用户还可以加入自定义词典以提高分词的准确率。
jieba库有自带的语料库和停用词库，
用户可以导入自己的语料库和停用词库，这样可以填充jieba自带的语料库和停用词库的不足。
jieba主要有以下3种切词模式：
<1>全模式
cut_all=True
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；
也就是说：全模式不管三七二十一，把词语全部切分开，它不会试图去理解语句，所以速度很快。
jieba.cut(string,cut_all=True,HMM=True)，返回生成器，需要用list()转换成列表。
jieba.lcut(string,cut_all=True,HMM=True)，直接返回列表
<2>精确模式
cut_all=False
精确模式：试图将句子最精确地切开，适合文本分析；
jieba.cut(string,cut_all=False,HMM=True)，返回生成器，需要用list()转换列表。
jieba.lcut(string,cut_all=False,HMM=True)，返回列表列表。
<3>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
jieba.cut_for_search(string,HMM=True)返回生成器，需要用list()转换
jieba.lcut_for_search(string,HMM=True)返回列表
3/jieba.cut()函数和jieba.cut_for_search()函数
<1>jieba.cut(str,cut_all=False,HMM=True),函数接受3个参数：
1)需要分词的字符串str:（unicode 或 UTF-8 字符串、GBK 字符串）
2)cut_all：是否使用全模式，默认值为False，及精确模式
3)HMM：用来控制是否使用HMM模型，默认值为True
<2>jieba.cut_for_search(str,HMM=True)函数，搜索引擎模式，函数接受2个参数
1)需要分词的字符串（unicode 或 UTF-8 字符串、GBK 字符串）
2)HMM：用来控制是否使用HMM模型，默认值为True
4/全模式&&精确模式
import jieba
jieba.cut(str,cut_all=True,HMM=True)
5/搜索引擎模式
import jieba
jieba.cut_for_search(str,HMM=True)
6/HMM模型
隐马尔可夫模型，是一种基于概率的统计分析模型，用来描述一个系统隐形状态的转移和隐形状态的表现概率，
在jieba中，对于没有收录到jieba词库的词，使用了汉字成词能力的HMM模型和viterbi算法
7/繁体字分词
8/创建自定义词库(这些词是没有收录到jieba自带的词库中的，为了切分词的效果，我们自行加入，二者联合使用)
我们在使用jieba库的时候，默认是使用jieba扩展包自带的词库(收录词库和停用词库)。
如果我们使用jieba自带的词库，传入字符串之后，发现分词效果不是很好，
有的词我们预期要切分开但是没有切分开，或者我们不想切开反而给切开了
在这种情况下，我们可以自定义一个补词库，自定义词库和jieba扩展包自带的词库联合使用，
这样分词效果更加。
jieba扩展包会优先使用自定义词库，开发者可以指定自定义的词库，以便包含jieba词库里没有收录的词，
格式如下，一行是一个词，分成3部分，后2部分可以省略，用空格隔开，如下：
词语 词频(可省略) 词性(可省略)
创新办 3 i
云计算 5
凱特琳 nz
虽然jieba有新词识别能力(HMM模型的功劳)，但自行添加新词可以保证更高的正确率。
词频越高则成词概率越大，但是不宜过大。
具体词频应该设置为多少目前没有公式
9/载入自定义词库
使用 jieba.load_userdict(file_name) 即可载入自定义词库，file_name是自定义词典文件的路径
10/修改自定义词库，包括添加新的词语，修改词频，词性
使用jieba.add_word(word,freq=None,tag=None)和jieba.del_word(word)可在程序中动态修改词典。
jieba.add_word('石墨烯')
jieba.add_word('凱特琳',freq=42,tag='nz')
jieba.del_word('自定义词')
使用 suggest_freq(segment,tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
以上的add_word() del_word() suggest_frq()函数，
只是在执行代码的时候，临时修改而已，并没有修改jieba扩展包的底层数据。
import_random
数据挖掘工程师 @ aa
336.8k
粉丝
