python机器学习8--自然语言处理（1）

1.基本定义：

语义：就是一句话的重点是什么。

自定词汇：因为语言、文字太多，自定和处理你所关心的重点词汇。

简体转繁体代码

from opencc import OpenCC
 
text1 = "我去过清华大学"
openCC = OpenCC('s2t')
line = openCC.convert(text1)
print(" "+text1)  # 打印原文本
print("s2t;"+line)  # 打印转换后的文本

结果如下：

 2.中文分词断词工具

        在中文分词的处理方面，Python有几个第三方的程序pymmseg、smallseg和jieba，本节将介绍的是jieba。这个需要先安装。

pip install jieba

        原理： jieba中文分词所使用的算法是通过Trie Tree（又称前缀树或字典树）结构去创建句子，根据文字所有可能成词的情况，通过动态规划算法找出最大概率的路径，这个路径就是基于词频的最大断词结果。对于字典词库中不存在的词，则使用HMM（Hidden Markov Model，隐马尔可夫模型）及Viterbi算法来辨识出来。

一个小demo

import jieba
text1="我去过清华大学"
test2="小明来到了行研大厦"
seg_list=jieba.cut(text1,cut_all=True,HMM=False)
print("Full Mode:"+"/".join(seg_list))
seg_list=jieba.cut(text1,cut_all=False,HMM=True)
print("Default Mode:"+"/".join(seg_list))
print(",".join(jieba.cut(test2,HMM=True)))
print(",".join(jieba.cut(test2,HMM=False)))
print(",".join(jieba.cut(test2)))
print(",".join(jieba.cut_for_search(test2)))
 

运行结果

上面的几种模式：

        Full Mode（全模式）：试图将句子最精确地切开，适合文本分析，输出的是所有可能的分词组合，比如清华大学，会被分成：清华、清华大学、华大、大学。

        Default Mode（精确模型）：把句子中所有可以成词的词语都扫描出来，速度非常快，但是不能解决歧义，比如清华大学，只会输出清华大学。

        jieba.cut_for_search（搜索引擎模式）：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

注意有些词分割不正确，可以自己进行设置jieba.load_userdict("userdict.txt")这样再次通过jieba.cut（text）切割后就会达到自己的预期了。取得词性jieba.posseg.cut(text)

3.使用TF-IDF算法的关键词计算

 jieba.analyse.extract_tags(content, topK = 20, withWeight = True, allowPOS=( ))

参数如下：

· content：待处理的文字。

· topK：返回关键词的数量，重要性权重TF-IDF从高到低排序，如topK=20，就是回传20个最重要的分词。

· withWeight：设置为True或False，即是否返回每个关键词的权重TF-IDF。

· allowPOS：词性过滤，为空表示不过滤。词性，如同jieba.posseg.cut所输出的内容，即n是名词、v是动词。

        关键词的权重（TF-IDF）也就是这个关键词在这篇文章中所出现的比重。有很多不同的数学公式可以用来计算TF-IDF，具体公式不在详细介绍。

import sys
from os import path
import jieba
import jieba.analyse
 
# 取得现在的路径
d = path.dirname(__file__)
 
# 读取文本
with open(path.join(d, "C:\\Users\\nsy\\Desktop\\test.txt"), 'r', encoding='utf-8') as f:
    text = f.read()
 
# 去除不要的文字
text = text.replace("", "")  # 这里假设您要替换的是一个特定的字符串，但原代码中是空的
text = text.replace("「", "")
text = text.replace("」", "")
text = text.replace(",", "")
text = text.replace(" ", "")
 
# 使用jieba进行分词
print('/'.join(jieba.cut(text)))
 
# 开启HMM做分词动作
# 样例1使用自定义字典
jieba.load_userdict(path.join(d, "C:\\Users\\nsy\\Desktop\\userdict.txt.txt"))  # 加载自定义字典
 
# 再次使用自定义字典进行分词
print('/'.join(jieba.cut(text)))
 
# 样例2取得词性
words = jieba.posseg.cut(text)
for word, flag in words:
    print('%s, %s' % (word, flag))  # 显示切割的词语和词性
 
# 样例3和样例4取得关键字
if sys.version_info > (3, 0):
    content = text
else:
    content = text.decode('utf-8')
 
keywords = jieba.analyse.extract_tags(content, topK=20, withWeight=True, allowPOS=('ns', 'n', 'vn', 'v'))
 
# 访问捕获结果
for item in keywords:
    print('%s=%f' % (item[0], item[1]))  # 分别为关键词和相应的权重
 
print("程序执行完毕")

运行结果：

 4.自定分词

        jieba.load_userdict，在jieba之中，还有另一个类似的函数jieba.suggest_freq。

from os import path
import jieba
import jieba.analyse
d=path.dirname(__file__)
text="今天学习好累，还没有效率"
text=text.replace(",","")
print('/'.join(jieba.cut(text)))
jieba.suggest_freq('还没有',True)
print('/'.join(jieba.cut(text)))

 取出断词位置

jieba.tokenize(文字)

import sys
from os import path
import jieba
 
# 获取脚本文件的目录
d = path.dirname(__file__)
# 定义自定义词典的路径
userdict_path = path.join(d, "C:\\Users\\nsy\\Desktop\\userdict.txt.txt")
# 加载自定义词典
jieba.load_userdict(userdict_path)
 
# 定义要分词的文本
content = "今天学习好累，在家还没有效率"
 
# 使用自定义词典进行精确模式分词
print('default' + '-'*40)
result = jieba.cut(content, use_paddle=False)  # 精确模式
for word in result:
    print(word)
 
# 使用自定义词典进行搜索引擎模式分词
print('tokenize search' + '-'*40)
result = jieba.cut_for_search(content)  # 搜索引擎模式
for word in result:
    print(word)