《中文jieba分词》总结
154 浏览量
2020-12-22
12:29:10
上传
评论
收藏 60KB PDF 举报
《中文《中文jieba分词》总结分词》总结
针对jieba分词作业做一个总结，方便以后查看。
中文分词中文分词
分词，即切词，在NLP文本预处理中经常使用一些方法来对文本进行分词，从而使文本从“字序列”升级到“词序列”。
为什么要进行分词？在中文中，一个个汉字有其自身的含义，但是组成词语时，其含义可能会发生很大的变化，使得之后进行文本处理任务时不能很好的
理解句子的含义。（比如“和”，“平”，“和平”，三者的含义有很大的不同。）另外，从字序列升级成词序列，可以使模型能够得到更高级的特征。
分词算法有很多，比如正向最大匹配算法，逆向最大匹配算法，双向最大匹配算法，基于统计的分词方法，隐马尔可夫模型分词法，神经网络分词法等
等。
jieba分词分词
jieba是一种常用的分词工具，在[GITHUB站](https://github.com/fxsjy/jieba)有详细的介绍。
分词过程分词过程
jieba分词有其自己的字典，也可以导入自定的字典。分词是根据字典来进行分词。（字典不准确时，会影响分词结果的好坏。）
分词时可以去除一些停用词（对句子含义不影响的符号，助词等）。
最简单的情况
说是最简单的情况，是因为，分词时没有去除停用词，只是简单地读取路径下文件并进行分词。也没有对分词后的结果进行保
存文件。
import jieba
import os
import math
from collections import Counter
word_list=[] path_tem="C:/Users/DR.KAT/Documents/NLP/1946年05月"
for file in os.listdir(path_tem):
file_tem = os.path.join(path_tem,file)
text=open(file_tem,encoding='utf-8').read()
seg_list=jieba.cut(text)
word_list+=seg_list
word_count = Counter(word_list)
result=0
word_num=len(word_list)
print("总词量",word_num)
for word in word_count:
percent = word_count[word]/word_num
result+=percent*math.log(percent,2)
result=-result
print("信息熵",result)
print(word_count,'')
去停用词
import os
import jieba
import math
import re
from collections import Counter
word_list=[]
def read_file(read_folder_path,stopwordspath):
global word_list
word_num=0
stopwords = {}.fromkeys([ line.rstrip() for line in open(stopwordspath,"r",encoding='utf-8')]) # 停用词表
folder_list = os.listdir(read_folder_path)
for file in folder_list:
dealpath = os.path.join(read_folder_path, file) #处理单个文件的路径
with open(dealpath,"r",encoding='utf-8') as f:
txtlist=f.read()
words=jieba.cut(txtlist,cut_all=False)
cutresult=""#定义分词并去停用词结果
for word in words:
if word not in stopwords:
if word != ' ':
cutresult += word#去停用词
cutresult += " "
资源评论
