jieba库初级应用

1、jieba库基本介绍

(1)、jieba库概述

jieba是优秀的中文分词第三方库

- 中文文本需要通过分词获得单个的词语
         - jieba是优秀的中文分词第三方库，需要额外安装

- jieba库提供三种分词模式，最简单只需掌握一个函数

(2)、jieba分词的原理

Jieba分词依靠中文词库

- 利用一个中文词库，确定汉字之间的关联概率
         - 汉字间概率大的组成词组，形成分词结果

- 除了分词，用户还可以添加自定义的词组

2、jieba库使用说明

(1)、jieba分词的三种模式

精确模式、全模式、搜索引擎模式

- 精确模式：把文本精确的切分开，不存在冗余单词
         - 全模式：把文本中所有可能的词语都扫描出来，有冗余

- 搜索引擎模式：在精确模式基础上，对长词再次切分

(2)、jieba库常用函数

3.利用jieba库统计挪威的森林词频统计

1、首先下载挪威的森林.txt才能在python中打开

import jieba

txt=open("D:\\123.txt","r").read()

2、运用jieba库得到分词，且加入一个计数数组

words=jieba.lcut(txt)

counts={}

3、历遍全文计数词语出现次数

for word in words:

    if len(word)==1:

        continue

    else:

        counts[word]=counts.get(word,0)+1

4、将键值对转换成链表，且将词语出现的次数由大到小排序

items=list(counts.items())

items.sort(key=lambda x:x[1],reverse=True)

5、输出链表

for i in range(15):

    word,count=items[i]

    print("{0:<5}{1:>5}".format(word,count))

总代码

import jieba

txt=open("D:\\123.txt","r").read()

words=jieba.lcut(txt)

counts={}

for word in words:

    if len(word)==1:

        continue

    else:

        counts[word]=counts.get(word,0)+1

items=list(counts.items())

items.sort(key=lambda x:x[1],reverse=True)

for i in range(15):

    word,count=items[i]

    print("{0:<5}{1:>5}".format(word,count))

结果：