一、Jieba中文分词
本文使用jieba进行文本进行分词处理，它有3种模式，精确模式，全模式模式，搜索引擎模式：
· 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。
现以“南京市长江大桥”为例，3种分词模式的结果如下：
【全模式】： 南京 南京市 京市 市长 长江 长江大桥 大桥
【精确模式】： 南京市 长江大桥
【搜索引擎模式】： 南京 京市 南京市 长江 大桥 长江大桥
为了避免歧义和切出符合预期效果，在这里使用精确模式
1 importjieba2 all_mode=jieba.cut('南京市长江大桥',cut_all=True)3 alls=" ".join(all_mode)4 print('【全模式】：',alls)5 jingque=jieba.cut('南京市长江大桥',cut_all=False)6 jings=" ".join(jingque)7 print('【精确模式】：',jings)8 search=jieba.cut_for_search('南京市长江大桥')9 searchs=" ".join(search)10 print('【搜索引擎模式】：',searchs)
二、去停用词
去停用词一般包括三类，
标点符号
特殊符号
无意义的虚词
停用词表
链接：/s/1sBpZJMDJcbgyA81kC78PRg
提取码：b54i
复制这段内容后打开百度网盘手机App，操作更方便哦
1 importjieba2 #创建停用词列表
3 defstopwordslist():4 stopwords = [line.strip() for line in open('中文停用词库.txt',encoding='gbk').readlines()]5 returnstopwords6 #对句子进行中文分词
7 defseg_depart(sentence):8 #对文档中的每一行进行中文分词
9 print("正在分词")10 sentence_depart =jieba.cut(sentence.strip())11 #创建一个停用词列表
12 stopwords =stopwordslist()13 #输出结果为outstr
14 outstr = ''
15 #去停用词
16 for word insentence_depart:17 if word not instopwords:18 if word != '\t':19 outstr +=word20 outstr += " "
21 returnoutstr22 if __name__ == '__main__':23 #给出文档路径
24 filename = "斗破苍穹.txt"
25 outfilename = "out.txt"
26 inputs = open(filename, 'r', encoding='UTF-8')27 outputs = open(outfilename, 'w', encoding='UTF-8')28
29 #将输出结果写入ou.txt中
30 for line ininputs:31 line_seg =seg_depart(line)32 outputs.write(line_seg + '\n')33 print("-------------------正在分词和去停用词-----------")34 outputs.close()35 inputs.close()36 print("删除停用词和分词成功！！！")
三、去掉高频词，稀有词，和计算Bigrams
去掉高频词、稀有词是针对后续的主题模型(LDA、ATM)时使用的，
主要是为了排除对区隔主题意义不大的词汇，最终得到类似于停用词的效果。
Bigrams是为了自动探测出文本中的新词，基于词汇之间的共现关系---如果两个词经常一起毗邻出现，
那么这两个词可以结合成一个新词，比如“数据”、“产品经理”经常一起出现在不同的段落里，
那么，“数据_产品经理”则是二者合成出来的新词，只不过二者之间包含着下划线。
四、关键词提取
1，基于TF-IDF算法的关键词提取
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False,
allowPOS=())
其中需要说明的是：
1.sentence 为待提取的文本
2.topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
3.withWeight 为是否一并返回关键词权重值，默认值为 False
4.allowPOS 仅包括指定词性的词，默认值为空，即不筛选
1 importjieba.analyse2 #读取文件,返回一个字符串，使用utf-8编码方式读取，该文档位于此python同以及目录下
3 path='斗破苍穹.txt'
4 with open(path,'r',encoding='utf-8')as ff:5 data=ff.read()6 #返回词频最高的20个词
7 word=jieba.analyse.extract_tags(data,topK=20)8 print(' '.join(word))
参考文章：/meiqi0538/article/details/80218870#0203_245
：/p/29aa3ad63f9d
：/s?id=1587137075873716187&wfr=spider&for=pc
