NLP 中文文字預處理

jieba是乙個專門處理中文分詞的分詞庫,但其實功能比單純的分詞強大許多。

pip install jieba

4.詞性標註

5.tokenize

6.去除停止詞

import jieba

word = jieba.cut('他去了杭研大廈',cut_all=false)
#精確模式
#結果：他/去/了/杭研/大廈/
word = jieba.cut_for_search('小明碩士畢業於中國科學院計算所')
print('，'.join(word))
#結果：小明，碩士，畢業，於，中物，中物院，計算，計算所
word = jieba.lcut_for_search("小明碩士畢業於中物院計算所")
print(' '.join(word))
#小明 碩士 畢業 於 中物 中物院 計算 計算所

print('/'.join(word))

jieba.add_word('深度學習',freq = none,tag = none)

print('/'.join(word))

print('/'.join(jieba.cut('如果放在舊字典中將出錯',hmm = false)))

如果/放在/舊/字典/中將/出錯

jieba.suggest_freq(('中','將'),true)

print('/'.join(jieba.cut('如果放在舊字典中將出錯',hmm = false)))

#輸出：如果/放在/舊/字典/中/將/出錯

jieba.suggest_freq(('舊字典'),true)

print('/'.join(jieba.cut('如果放在舊字典中將出錯',hmm = false)))

#輸出：如果/放在/舊字典/中/將/出錯

import jieba.analyse

jieba.analyse.extract_tag(sentence,topk=20,withweight=false,allowpos=())

import jieba.analyse as analyse

lines = open('file_name').read()
#filename待提取文字的檔名稱
print(' '.join(analyse.extract_tags(lines,topk=20,withweight=false,allowpos=())))

jieba.analyse.textrank(sentence,topk=20,withweight=false,allowpos=(『ns』,』n』,』vn』,』v』))

僅提取地名，名詞，動名詞，動詞

**原文

演算法思想：

以固定視窗大小(預設為5，通過span屬性調整)，詞之間的共現關係，構建圖

計算圖中節點的pagerank，注意是無向帶權圖

import jieba.posseg as pseg

words = pseg.cut('我家住在黃土高坡')
for word,flag in words:
...     print(('%s %s' %(word,flag)))
...#輸出：
我 r家住 v
在 p黃土 n
高坡 nr

seg = jieba.tokenize('我家住在黃土高坡')

for s in seg:
...     print(('%s\t\t start:%d\t\t end:%d' %(s[0],s[1],s[2])))
...#輸出：
我        start:0         end:1
家住       start:1         end:3
在        start:3         end:4
黃土       start:4         end:6
高坡       start:6         end:8

def

stopwordslist
(filepath):
stopwords=[line.strip() for line in open(filepath,'r',encoding='utf-8').readlines()]
return stopwords

stopwords=stopwordslist('../input/stop_word.txt')

中文文字預處理 主題模型

去掉低頻詞 分詞 繁簡轉化 替換奇異詞等是中文文字資料處理中的重要步驟。如在主題模型中，資料預處理的要求很簡單，只需要去掉低頻詞，大多數文章設定的門限都是5或者6.中文文字相比於英文，需要首先進行分詞處理。類似地還有日文 韓文等。因而自然預言處理中乙個重要的研究問題就是文字分詞技術。兩者都有pyth...

nlp 中文資料預處理

資料載入 預設csv格式 import pandas as pd datas pd.read csv test.csv header 0,index col 0 dataframe n datas data.to numpy ndarray 轉成numpy更好處理 個人喜好 去除空行def dele...

NLP 中文文字分類 詳細

實現如下customprocessor class customprocessor dataprocessor def get train examples self,data dir return self.create examples self.read tsv os.path.join da...