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：