12.24 jieba，宇宙最强Python分词工具使用指南

结巴分词是Python语言中最流行的一个分词工具，在自然语言处理等场景被广泛使用。

因为GitHub写的文档太啰嗦，所以整理了一个简版的入门使用指南，看完可直接上手

安装

<code>pip install jieba
/<code>

简单分词

<code>import jieba

result = jieba.cut("我爱中国北京大学")
for word in result:
    print(word)
/<code>

输出

<code>我
爱
中国
北京大学
/<code>

句子切分成了5个词组。

全模式分词

<code>result = jieba.cut("我爱中国北京大学", cut_all=True)
for word in result:
    print(word)
/<code>

输出

<code>我
爱 

中国
北京
北京大学
大学
/<code>

全模式分出来的词覆盖面更广。

提取关键词

从一个句子或者一个段落中提取前k个关键词

<code>import jieba.analyse

result = jieba.analyse.extract_tags("机器学习，需要一定的数学基础，需要掌握的数学基础知识特别多，"
                                    "如果从头到尾开始学，估计大部分人来不及，我建议先学习最基础的数学知识",
                                    topK=5,
                                    withWeight=False)
import pprint

pprint.pprint(result)
/<code>

输出

<code>['数学', '学习', '数学知识', '基础知识', '从头到尾']
/<code>

• topK 为返回前topk个权重最大的关键词
• withWeight 返回每个关键字的权重值

去掉停止词私信小编01领取完整项目代码

停止词是指在句子中无关紧要的词语，例如标点符号、指示代词等等，做分词前要先将这些词去掉。分词方法cut不支持直接过滤停止词，需要手动处理。提取关键字的方法 extract_tags 支持停止词过滤

<code># 先过滤停止词
jieba.analyse.set_stop_words(file_name)
result = jieba.analyse.extract_tags(content, tokK)
/<code>

file_name 的文件格式是文本文件，每行一个词语

閱讀更多 有趣的程序媛 的文章

關鍵字: 北京大 GitHub 分词