结巴分词的Python与R语言基础用法是怎样的

本篇文章给大家分享的是有关结巴分词的Python与R语言基础用法是怎样的，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。

创新互联建站作为成都网站建设公司，专注网站建设、网站设计，有关成都企业网站定制方案、改版、费用等问题，行业涉及成都门帘等多个领域，已为上千家企业服务，得到了客户的尊重与认可。

这里介绍著名的分词方法：结巴分词以及基本分词方法在Python和R语言中的用法。

Python中的结巴分词

 Python中文分词的三种常用模式

• 精确模式：

• 全模式

• 搜索引擎模式

三种模式默认都采用隐马尔科夫模型分词；同时，结巴分词支持繁体分词和自定义字典方法。

导入模块：import jieba
（1）、精确模式：
>>> test = '十堰有道家发源地武当山'
>>> cut1 = jieba.cut(test)
>>> type(cut1)

>>> print('精确分词结果：',' '.join(cut1))

Cut1不能直接查看，‘ ‘.join(cut1)函数指用空格分开cut1里面的元素，然后通过print()函数才能查看。

精确分词结果： 十堰 有 道家 发源地 武当山

（2）、全模式：
>>> cut2 = jieba.cut(test,cut_all = True)
>>> print('全模式分词结果：',' '.join(cut2))
全模式分词结果： 十堰 有 道家 发源 发源地 源地 武当 武当山

把所有可能的词都考虑进来了。“精确模式”其实有默认参数cut_all = False。显然，全模式不管分词后意思会不会有歧义，只管快速分出所有可能的词，不适合做文本分析。

（3）、搜索引擎模式：
>>> cut3 = jieba.cut_for_search(test)
>>> print('搜索引擎模式分词结果：',' '.join(cut3))
搜索引擎模式分词结果： 十堰 有 道家 发源 源地 发源地 武当 武当山

搜索引擎模式也会给出所有可能的分词结果，但是搜索引擎模式对于词典中不存在的词，比如一些很少见、新词，却能给出正确的分词结果。

添加自定义词典
Path = ‘词典路径’
jieba.load_userdict (path3)
然后分词即可。

提取关键词

对于一篇文章，提取关键词，比如指定提取5个关键词：

jieba.analyse.extract_tags(dat,topK = 5)

注意：亲测，词典一般是.txt，默认是ASCII格式，应该另存为utf8模式，为什么？——有中文。其实，帮助文档里面有的。

更多用法：help('jieba')获得更多详细介绍。

R语言结巴分词

"结巴"中文分词的R语言版本，支持最大概率法，隐式马尔科夫模型，索引模型，混合模型，共四种分词模式，同时有词性标注，关键词提取，文本Simhash相似度比较等功能。

包的下载与安装：
>install.packages('jiebaRD')

>install.packages('jiebaR')

> library(jiebaRD)
> library(jiebaR)

分词
> test <- '革命尚未成功，同志仍需努力！'
首先需要建立分词引擎
> seg<-worker()
这里“<=”表示分词运算符
> seg<=test
 [1] "革命" "尚未" "成功" "同志" "仍" "需" "努力"
与下面这句效果一样
> segment(test,seg)
 [1] "革命" "尚未" "成功" "同志" "仍" "需" "努力"
也就是有两种写法：
(1)、seg<=test
(2)、segment(test,seg)
后面的类似都有两种写法。

词性标注：

可以使tag来进行分词和词性标注, 词性标注使用混合模型分词，标注采用和 ictclas 兼容的标记法。
>seg<-woker('tag')
> test <- '革命尚未成功，同志仍需努力！'

> segment(test,seg)
    vn      d      a      n     zg      v     ad
"革命" "尚未" "成功" "同志"   "仍"   "需" "努力"
这里seg <= test也是一样的，后面一样有这样写法，只写一种，不再强调指出。

关键词提取：

关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径,使用方法与分词类似。topn参数为关键词的个数，这里只提取一个关键词：
> seg2<-worker('keywords',topn = 1)
> keywords(test,seg2)
6.13553
 "同志"

Simhash 与海明距离：

对中文文档计算出对应的simhash值。simhash是谷歌用来进行文本去重的算法，现在广泛应用在文本处理中。Simhash引擎先进行分词和关键词提取，后计算Simhash值和海明距离。
> test <- '革命尚未成功，同志仍需努力！'
> seg3<-worker('simhash',topn = 2)
> simhash(test,seg3)
 $simhash
 [1] "13489182016966018967"
 $keyword
 6.13553 6.0229
 "同志" "努力"

列表分词：
支持一次性对多个列表（每个元素为文本）进行分词。
test2 <- '十堰有道家发源地武当山'
> apply_list(list(test,test2), seg)
[[1]]
    vn      d      a      n     zg      v     ad
"革命" "尚未" "成功" "同志"   "仍"   "需" "努力"
[[2]]
      ns        v        n        n       ns
  "十堰"     "有"   "道家" "发源地" "武当山"

去除停止词

>seg <- worker(stop_word = STOPPATH)

还有一些其它设置，比如：
show_dictpath()：显示默认的词典路径，有jieba.dict.utf8（最大概率法）、hmm_model.utf8（隐式马尔科夫模型），这两个都是作为分词需要用到的词典；idf.utf8（TF-IDF算法）、stop_words.utf8（停用词词典），这两个词典是做关键词抽取之用。
edit_dict(name = "user")：默认编辑用户自定义词典，还有system（可以打开编辑jieba.dict.utf8）,stop_word（停用词典）两个参数值供选择。

还有一些其它参数，具体参见help("jiebaR")，获取更多详细信息，学习利用帮助信息对于R语言的学习很重要。

其实，具体分词引擎worker()怎么设置，我们可以帮助一下：help('worker')就会有：

worker(type = "mix", dict = DICTPATH, hmm = HMMPATH, user = USERPATH,idf = IDFPATH, stop_word = STOPPATH, write = T, qmax = 20, topn = 5,encoding = "UTF-8", detect = T, symbol = F, lines = 1e+05,output = NULL, bylines = F, user_weight = "max")

这里的一些参数：

type, 引擎类型
dict, 系统词典
hmm, HMM模型路径
user, 用户词典
idf, IDF词典
stop_word, 关键词用停止词库
write, 是否将文件分词结果写入文件，默认FALSE
qmax, 最大成词的字符数，默认20个字符
topn, 关键词数,默认5个
encoding, 输入文件的编码，默认UTF-8
detect, 是否编码检查，默认TRUE
symbol, 是否保留符号，默认FALSE
lines, 每次读取文件的最大行数，用于控制读取文件的长度。大文件则会分次读取。
output, 输出路径
bylines, 按行输出
user_weight, 用户权重

以上就是结巴分词的Python与R语言基础用法是怎样的，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注创新互联行业资讯频道。