欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python使用jieba分词

程序员文章站 2022-05-22 16:39:57
附加:另一种jieba分词写法: 参考jieba中文分词:https://github.com/fxsjy/jieba ##欢迎讨论 ......
# -*- coding: utf-8 -*-
# spyder (python 3.7)
import pandas as pd
import jieba
import jieba.analyse as anls

if __name__ == '__main__':  
    data = pd.read_excel(r'空气指数评论.xlsx')
    # content为excel的列名
    opinion_content = data['content'].dropna().values
    all_word = ''
    for i in opinion_content: #形成整个字符串
        all_word = all_word +','+ str(i)
    all_word = all_word.strip()  #去掉字符串的空格
    all_word_upper = all_word.upper() #大写

  #加载词典 #jieba.load_userdict(r"d:\python_workspace\aaaa.txt")
  
  #如果有不想被切分开的词,例如王者荣耀,和平精英等,可以进行参数设置:tune=true
  # jieba.analyse 是基于tf-idf算法的关键词抽取
    segment=['王者荣耀','和平精英']
    for ii in segment:
        jieba.suggest_freq(ii, tune=true)
    
    anls.set_stop_words("111.txt")  #加载停用词文档,网上可以下载或者自己创建
    tags = anls.extract_tags(all_word_upper, topk=none, withweight=true)
    for x, w in tags:
        print('%s %s' % (x, w))
        
    for v, n in tags:
        #权重n是小数,乘了十万成为整数,可以按需求设置不同值
        out_words= v + '\t' + str(int(n * 100000))
        #注意'a+'为追加写入,因此如果重新运行程序,则需要先删除上次生成的文件,结果保存在当前目录下,可以更改目录
        with open('.\cut_words_content.txt','a+',encoding='utf-8')as f:
            f.write(out_words+'\n')

附加:另一种jieba分词写法:

 sentence_seged = [seg for seg in jieba.cut(all_word) if len(seg) >= char_len]
# all_word为整个要分词的字符串,该方式没有利用到权重,是单纯的分词
# 返回的是分词后的列表
# 分词长度最少大于char_len

参考jieba中文分词:

##欢迎讨论