python统计词频_Python中文分词及词频统计

中文分词

中文分词(Chinese Word Segmentation)，将中文语句切割成单独的词组。英文使用空格来分开每个单词的，而中文单独一个汉字跟词有时候完全不是同个含义，因此，中文分词相比英文分词难度高很多。

分词主要用于NLP 自然语言处理(Natural Language Processing)，使用场景有：

• 搜索优化，关键词提取(百度指数)
• 语义分析，智能问答系统(客服系统)
• 非结构化文本媒体内容，如社交信息(微博热榜)
• 文本聚类，根据内容生成分类(行业分类)

分词库

Python的中文分词库有很多，常见的有：

• jieba(结巴分词)
• pkuseg(北京大学语言计算与机器学习研究组)
• THULAC(清华大学自然语言处理与社会人文计算实验室)
• SnowNLP
• pynlpir
• CoreNLP
• pyltp

通常前三个是比较经常见到的，主要在易用性/准确率/性能都还不错。个人常用的一直都是结巴分词(比较早接触)，最近使用pkuseg，两者的使用后面详细讲。

结巴分词

简介

“结巴”中文分词：做最好的Python中文分词组件

• 支持三种分词模式：
  • 精确模式，试图将句子最精确地切开，适合文本分析；
  • 全模式，把句子中所有的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；
  • 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。
• 支持繁体分词
• 支持自定义词典

实例

我们使用京东商场的美的电器评论来看看结巴分词的效果。如果你没有安装结巴分词库则需要在命令行下输入pip install jieba，安装完之后即可开始分词之旅。

评论数据整理在文件meidi_jd.csv文件中，读取数据前先导入相关库。因为中文的文本或文件的编码方式不同编码选择gb18030，有时候是utf-8、gb2312、gbk自行测试。

# 导入相关库import pandas as pdimport jieba# 读取数据data = pd.read_csv('meidi_jd.csv', encoding='gb18030')# 查看数据data.head()