python中的jieba分词使用手册
“结巴”中文分词：做最好的 Python 中文分词组件
"Jieba" (Chinese for "to stutter") Chinese text segmentation: built to be the best Python Chinese word segmentation module.
Scroll down for English documentation.特点
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MIT 授权协议在线演示
(Powered by Appfog)
网站代码：
代码对 Python 2/3 均兼容
全自动安装：easy_install jieba 或者 pip install jieba /
pip3 install jieba半自动安装：先下载
，解压后运行 python setup.py install手动安装：将 jieba 目录放置于当前目录或者 site-packages 目录通过 import jieba 来引用算法
基于前缀词典实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合对于未登录词，采用了基于汉字成词能力的 HMM 模型，使用了 Viterbi 算法主要功能
jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用 HMM 模型jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用jieba.lcut 以及 jieba.lcut_for_search 直接返回 listjieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。代码示例
# encoding=utf-8
import jieba
seg_list = jieba.cut("我来到北京清华大学", cut_all=True)
print("Full Mode: " + "/ ".join(seg_list))
seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("Default Mode: " + "/ ".join(seg_list))
# 精确模式
seg_list = jieba.cut("他来到了网易杭研大厦")
# 默认是精确模式
print(", ".join(seg_list))
seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所，后在日本京都大学深造")
# 搜索引擎模式
print(", ".join(seg_list))
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
【精确模式】: 我/ 来到/ 北京/ 清华大学
【新词识别】：他, 来到, 了, 网易, 杭研, 大厦
(此处，“杭研”并没有在词典中，但是也被Viterbi算法识别出来了)
【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所, 后, 在, 日本, 京都, 大学, 日本京都大学, 深造
2. 添加自定义词典
开发者可以指定自己自定义的词典，以便包含 jieba 词库里没有的词。虽然 jieba 有新词识别能力，但是自行添加新词可以保证更高的正确率用法： jieba.load_userdict(file_name) # file_name 为文件类对象或自定义词典的路径词典格式和 dict.txt 一样，一个词占一行；每一行分三部分：词语、词频（可省略）、词性（可省略），用空格隔开，顺序不可颠倒。file_name 若为路径或二进制方式打开的文件，则文件必须为 UTF-8 编码。词频省略时使用自动计算的能保证分出该词的词频。例如：
创新办 3 i
更改分词器（默认为 jieba.dt）的 tmp_dir 和
cache_file 属性，可分别指定缓存文件所在的文件夹及其文件名，用于受限的文件系统。
自定义词典：
用法示例：
之前： 李小福 / 是 / 创新 / 办 / 主任 / 也 / 是 / 云 / 计算 / 方面 / 的 / 专家 /
加载自定义词库后：　李小福 / 是 / 创新办 / 主任 / 也 / 是 / 云计算 / 方面 / 的 / 专家 /
使用 add_word(word, freq=None, tag=None) 和
del_word(word) 可在程序中动态修改词典。
使用 suggest_freq(segment, tune=True) 可调节单个词语的词频，使其能（或不能）被分出来。
注意：自动计算的词频在使用 HMM 新词发现功能时可能无效。
代码示例：
&&& print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中将/出错/。
&&& jieba.suggest_freq(('中', '将'), True)
&&& print('/'.join(jieba.cut('如果放到post中将出错。', HMM=False)))
如果/放到/post/中/将/出错/。
&&& print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台/中/」/正确/应该/不会/被/切开
&&& jieba.suggest_freq('台中', True)
&&& print('/'.join(jieba.cut('「台中」正确应该不会被切开', HMM=False)))
「/台中/」/正确/应该/不会/被/切开
"通过用户自定义词典来增强歧义纠错能力" ---
3. 关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 为待提取的文本topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20withWeight 为是否一并返回关键词权重值，默认值为 FalseallowPOS 仅包括指定词性的词，默认值为空，即不筛选jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件代码示例 （关键词提取）
关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径
用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径自定义语料库示例：用法示例：关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径
用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径自定义语料库示例：用法示例：关键词一并返回关键词权重值示例
用法示例：基于 TextRank
算法的关键词抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。jieba.analyse.TextRank() 新建自定义 TextRank 实例算法论文：
将待抽取关键词的文本进行分词以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图计算图中节点的PageRank，注意是无向带权图使用示例:
4. 词性标注
jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的
jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。用法示例
&&& import jieba.posseg as pseg
&&& words = pseg.cut("我爱北京天安门")
&&& for word, flag in words:
print('%s %s' % (word, flag))
5. 并行分词
原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows
jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数jieba.disable_parallel() # 关闭并行分词模式
实验结果：在 4 核 3.4GHz Linux 机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。
注意：并行分词仅支持默认分词器 jieba.dt 和
jieba.posseg.dt。
Tokenize：返回词语在原文的起止位置
注意，输入参数只接受 unicode默认模式
result = jieba.tokenize(u'永和服装饰品有限公司')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 有限公司
result = jieba.tokenize(u'永和服装饰品有限公司', mode='search')
for tk in result:
print("word %s\t\t start: %d \t\t end:%d" % (tk[0],tk[1],tk[2]))
word 有限公司
7. ChineseAnalyzer for Whoosh
引用： from jieba.analyse import ChineseAnalyzer
用法示例：
8. 命令行分词
使用示例：python -m jieba news.txt & cut_result.txt
命令行选项（翻译）：
使用: python -m jieba [options] filename
结巴命令行界面。
-h, --help
显示此帮助信息并退出
-d [DELIM], --delimiter [DELIM]
使用 DELIM 分隔词语，而不是用默认的' / '。
若不指定 DELIM，则使用一个空格分隔。
-p [DELIM], --pos [DELIM]
启用词性标注；如果指定 DELIM，词语和词性之间
用它分隔，否则用 _ 分隔
-D DICT, --dict DICT
使用 DICT 代替默认词典
-u USER_DICT, --user-dict USER_DICT
使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用
-a, --cut-all
全模式分词（不支持词性标注）
-n, --no-hmm
不使用隐含马尔可夫模型
-q, --quiet
不输出载入信息到 STDERR
-V, --version
显示版本信息并退出
如果没有指定文件名，则使用标准输入。
--help 选项输出：
$& python -m jieba --help
Jieba command line interface.
positional arguments:
input file
optional arguments:
-h, --help
show this help message and exit
-d [DELIM], --delimiter [DELIM]
use DELIM instead of ' / ' or a
space if it is used without DELIM
-p [DELIM], --pos [DELIM]
enable POS if DELIM is specified, use DELIM
instead of '_' for POS delimiter
-D DICT, --dict DICT
use DICT as dictionary
-u USER_DICT, --user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, --cut-all
full pattern cutting (ignored with POS tagging)
-n, --no-hmm
don't use the Hidden Markov Model
-q, --quiet
don't print loading messages to stderr
-V, --version
show program's version number and exit
If no filename specified, use STDIN instead.
延迟加载机制
jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。
import jieba
jieba.initialize()
# 手动初始化（可选）
在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:
jieba.set_dictionary('data/dict.txt.big')
占用内存较小的词典文件
支持繁体分词更好的词典文件
下载你所需要的词典，然后覆盖 jieba/dict.txt 即可；或者用 jieba.set_dictionary('data/dict.txt.big')
没有更多推荐了，求问用python实现：编写程序,计算用户输入的英文句子中的词语数量,以及_百度知道
求问用python实现：编写程序,计算用户输入的英文句子中的词语数量,以及
求问用python实现：编写程序,计算用户输入的英文句子中的词语数量,以及词语平均长度,输出计算结果？
我有更好的答案
这个你需要去网上找一个python版本的英文的分词包，做句子的分词，当然最简单的你可以按空格对英文进行分词。。用text.split(& &)来分。然后统计每个词的长度并求平均值cc = raw_input('input a string:')sen_list = cc.split(& &)count = len(sen_list)sum = 0for word in sen_list:if word:sum += len(word)avg = sum*1.0/countprint avg
采纳率：74%
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。python jieba分词(结巴分词)、提取词，加载词，修改词频，定义词库
&结巴&中文分词：做最好的
中文分词,分词模块jieba，它是python比较好用的分词模块, 支持中文简体，繁体分词，还支持自定义词库。
jieba的分词，提取关键词，自定义词语。
1、jieba.cut分词三种模式
jieba.cut 方法接受三个输入参数: 需要分词的字符串；cut_all 参数用来控制是否采用全模式；HMM 参数用来控制是否使用
jieba.cut_for_search 方法接受两个参数：需要分词的字符串；是否使用 HMM 模型。该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细
待分词的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建议直接输入 GBK 字符串，可能无法预料地错误解码成 UTF-8
jieba.cut 以及 jieba.cut_for_search 返回的结构都是一个可迭代的 generator，可以使用 for 循环来获得分词后得到的每一个词语(unicode)，或者用
jieba.lcut 以及 jieba.lcut_for_search 直接返回 list
jieba.Tokenizer(dictionary=DEFAULT_DICT) 新建自定义分词器，可用于同时使用不同词典。jieba.dt 为默认分词器，所有全局分词相关函数都是该分词器的映射。
#coding=utf-8
import jieba,math
import jieba.analyse
'''
jieba.cut主要有三种模式
#随便对一个动物园的评论进行分析
str_text=&真是好久好久没来哈皮娜拉野生动物园了，记忆里还是小时候三四年级学校组织春游去的银河系&
#全模式cut_all=True
str_quan1=jieba.cut(str_text,cut_all=True)
print('全模式分词：{ %d}' % len(list(str_quan1)))
str_quan2=jieba.cut(str_text,cut_all=True)
print(&/&.join(str_quan2))
# print(str(str_1))
#为一个generator 用for循环可以得到分词的结果
# str_1_len=len(list(str_1))
#为什么？这里执行后后面.join 就不执行，求告知
#精准模式cut_all=False，默认即是
str_jing1=jieba.cut(str_text,cut_all=False)
print('精准模式分词：{ %d}' % len(list(str_jing1)))
str_jing2=jieba.cut(str_text,cut_all=False)
print(&/&.join(str_jing2))
#搜索引擎模式
cut_for_search
str_soso1=jieba.cut_for_search(str_text)
print('搜索引擎分词：{ %d}' % len(list(str_soso1)))
str_soso2=jieba.cut_for_search(str_text)
print(&/&.join(str_soso))
全模式分词：{ 32}
Prefix dict has been built succesfully.
真是/TMD/好久/好久好久/好久/好久没/没来/哈/皮/娜拉/野生/野生动物/生动/动物/动物园/了///记忆/记忆里/还是/小时/小时候/时候/学校/组织/春游/游去/的/银河/银河系/河系
精准模式分词：{ 19}
真是/TMD/好久好久/没来/哈皮/娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系
搜索引擎分词：{ 27}
真是/TMD/好久/好久/好久好久/没来/哈皮/娜拉/野生/动物/动物园/了/，/记忆/记忆里/还是/小时/时候/小时候/学校/组织/春游/去/的/银河/河系/银河系、
2关键词提取、关键词提取**
import jieba.analyse
&analyse.extract.tags&
'''
keywords1=jieba.analyse.extract_tags(str_text)
print('关键词提取'+&/&.join(keywords1))
keywords_top=jieba.analyse.extract_tags(str_text,topK=3)
print('关键词topk'+&/&.join(keywords_to#有时不确定提取多少关键词，可利用总词的百分比
print('总词数{}'.format(len(list(jieba.cut(str_text)))))
total=len(list(jieba.cut(str_text)))
get_cnt=math.ceil(total*0.1)
print('从%d 中取出%d 个词'% (total,get_cnt))
keywords_top1=jieba.analyse.extract_tags(str_text,topK=get_cnt)
print('关键词topk'+&/&.join(keywords_top1))''
**关键词提取**TMD/哈皮/春游/好久好久/记忆里/娜拉/银河系/没来/动物园/小时候/野生/学校/真是/组织/还是
**关键词topk**TMD/哈皮/春游
从19 中取出2 个词topkTMD/哈皮、
加自定义词与加载自定义词库**
================# 处理时，jieba.add_word
# add_word(word,freq=None,tag=None)
和del_word可在程序中动态修改词典
# suggest_freq(segment,tune=Ture)可调节单词词频，时期能或不能显示
# 注：自动计算的词频在使用HMM新词发现功能时可能无效
# '''
# str_jing2=jieba.cut(str_text,cut_all=False)
# print('add_word前:'+&/&.join(str_jing2))
# #添加自定义词
# jieba.add_word('哈皮娜拉')
# str_jing3=jieba.cut(str_text,cut_all=False)
# print('add_word后:'+&/&.join(str_jing3))
# #修正词频
# jieba.suggest_freq('野生动物园',tune=True)
# str_jing4=jieba.cut(str_text,cut_all=False)
# print('suggest_freq后:'+&/&.join(str_jing4))
add_word前:真是/TMD/好久好久/没来/哈皮/娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系
add_word后:真是/TMD/好久好久/没/来/哈皮娜拉/野生/动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系
suggest_freq后:真是/TMD/好久好久/没/来/哈皮娜拉/野生动物园/了/，/记忆里/还是/小时候/学校/组织/春游/去/的/银河系
加载自定义词库
jieba.load_userdict(filename)#filename为文件路径
词典格式和dict.txt一样，一词一行，每行分三个部分（用空格隔开），词语 词频（可省） 词性（可省）
顺序不可颠倒，若filename为路径或二进制方式打开，则需为UTF-8
'''
#定义：三四年级
jieba.load_userdict('C:\\Users\\lenovo\\Desktop\\自定义词库.txt')
str_load=jieba.cut(str_text,cut_all=False)
print('load_userdict后:'+&/&.join(str_load))
'''
注jieba.load_userdict加载自定义词库和jieba初始化词库一同使用，
但是，默认的初始词库放在安装目录ixia，如果确定长期加载词库，就替换他
使用词库的切换功能set_dictionary()
可将jieba默认词库copy到自己的目录下，在添加，或者找到更全的词库
'''
#一般在python都为site-packages\jieba\dict.txt
jieba.set_dictionary('filename')
#之后进行分词，如果我们切换了词库，此时程序就会初始化
我们制定的词库，而不加载默认路径词库
以下内容来源于网络收集
3. 关键词提取
基于 TF-IDF 算法的关键词抽取
import jieba.analyse
jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())
sentence 为待提取的文本
topK 为返回几个 TF/IDF 权重最大的关键词，默认值为 20
withWeight 为是否一并返回关键词权重值，默认值为 False
allowPOS 仅包括指定词性的词，默认值为空，即不筛选
jieba.analyse.TFIDF(idf_path=None) 新建 TFIDF 实例，idf_path 为 IDF 频率文件
代码示例 （关键词提取）
https://github.com/fxsjy/jieba/blob/master/test/extract_tags.py
关键词提取所使用逆向文件频率（IDF）文本语料库可以切换成自定义语料库的路径
用法： jieba.analyse.set_idf_path(file_name) # file_name为自定义语料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/idf.txt.big
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_idfpath.py
关键词提取所使用停止词（Stop Words）文本语料库可以切换成自定义语料库的路径
用法： jieba.analyse.set_stop_words(file_name) # file_name为自定义语料库的路径
自定义语料库示例：https://github.com/fxsjy/jieba/blob/master/extra_dict/stop_words.txt
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_stop_words.py
关键词一并返回关键词权重值示例
用法示例：https://github.com/fxsjy/jieba/blob/master/test/extract_tags_with_weight.py
基于 TextRank 算法的关键词抽取
jieba.analyse.textrank(sentence, topK=20, withWeight=False, allowPOS=('ns', 'n', 'vn', 'v')) 直接使用，接口相同，注意默认过滤词性。
jieba.analyse.TextRank() 新建自定义 TextRank 实例
算法论文： TextRank: Bringing Order into Texts
将待抽取关键词的文本进行分词
以固定窗口大小(默认为5，通过span属性调整)，词之间的共现关系，构建图
计算图中节点的PageRank，注意是无向带权图
见 test/demo.py
4. 词性标注
jieba.posseg.POSTokenizer(tokenizer=None) 新建自定义分词器，tokenizer 参数可指定内部使用的 jieba.Tokenizer 分词器。jieba.posseg.dt 为默认词性标注分词器。
标注句子分词后每个词的词性，采用和 ictclas 兼容的标记法。
import jieba.posseg as pseg
words = pseg.cut(&我爱北京天安门&)
for word, flag in words:
& print(&%s %s& % (word, flag))
原理：将目标文本按行分隔后，把各行文本分配到多个 Python 进程并行分词，然后归并结果，从而获得分词速度的可观提升
基于 python 自带的 multiprocessing 模块，目前暂不支持 Windows
jieba.enable_parallel(4) # 开启并行分词模式，参数为并行进程数
jieba.disable_parallel() # 关闭并行分词模式
例子：https://github.com/fxsjy/jieba/blob/master/test/parallel/test_file.py
实验结果：在 4 核 3.4GHz
机器上，对金庸全集进行精确分词，获得了 1MB/s 的速度，是单进程版的 3.3 倍。
注意：并行分词仅支持默认分词器 jieba.dt 和 jieba.posseg.dt。
Tokenize：返回词语在原文的起止位置
注意，输入参数只接受 unicode
result = jieba.tokenize(u&永和服装饰品有限公司&)
for tk in result:
print(&word %s\t\t start: %d \t\t end:%d& % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限公司 start: 6 end:10
result = jieba.tokenize(u&永和服装饰品有限公司&, mode=&search&)
for tk in result:
print(&word %s\t\t start: %d \t\t end:%d& % (tk[0],tk[1],tk[2]))
word 永和 start: 0 end:2
word 服装 start: 2 end:4
word 饰品 start: 4 end:6
word 有限 start: 6 end:8
word 公司 start: 8 end:10
word 有限公司 start: 6 end:10
ChineseAnalyzer for Whoosh 搜索引擎
引用： from jieba.analyse import ChineseAnalyzer
用法示例：https://github.com/fxsjy/jieba/blob/master/test/test_whoosh.py
命令行分词
使用示例：python -m jieba news.txt & cut_result.txt
命令行选项（翻译）：
使用: python -m jieba [options] filename
结巴命令行界面。
filename 输入文件
-h, &help 显示此帮助信息并退出
-d [DELIM], &delimiter [DELIM]
使用 DELIM 分隔词语，而不是用默认的& / &。
若不指定 DELIM，则使用一个空格分隔。
-p [DELIM], &pos [DELIM]
启用词性标注；如果指定 DELIM，词语和词性之间
用它分隔，否则用 _ 分隔
-D DICT, &dict DICT 使用 DICT 代替默认词典
-u USER_DICT, &user-dict USER_DICT
使用 USER_DICT 作为附加词典，与默认词典或自定义词典配合使用
-a, &cut-all 全模式分词（不支持词性标注）
-n, &no-hmm 不使用隐含马尔可夫模型
-q, &quiet 不输出载入信息到 STDERR
-V, &version 显示版本信息并退出
如果没有指定文件名，则使用标准输入。
&help 选项输出：
$& python -m jieba &help
Jieba command line interface.
positional arguments:
filename input file
optional arguments:
-h, &help show this help message and exit
-d [DELIM], &delimiter [DELIM]
use DELIM instead of & / & or a
space if it is used without DELIM
-p [DELIM], &pos [DELIM]
enable POS if DELIM is specified, use DELIM
instead of &_& for POS delimiter
-D DICT, &dict DICT use DICT as dictionary
-u USER_DICT, &user-dict USER_DICT
use USER_DICT together with the default dictionary or
DICT (if specified)
-a, &cut-all full pattern cutting (ignored with POS tagging)
-n, &no-hmm don&t use the Hidden Markov Model
-q, &quiet don&t print loading messages to stderr
-V, &version show program&s version number and exit
If no filename specified, use STDIN instead.
延迟加载机制
jieba 采用延迟加载，import jieba 和 jieba.Tokenizer() 不会立即触发词典的加载，一旦有必要才开始加载词典构建前缀字典。如果你想手工初始 jieba，也可以手动初始化。
import jieba
jieba.initialize() # 手动初始化（可选）
在 0.28 之前的版本是不能指定主词典的路径的，有了延迟加载机制后，你可以改变主词典的路径:
jieba.set_dictionary(&data/dict.txt.big&)使用Python做中文分词和绘制词云
使用Python做中文分词和绘制词云
李小璐出轨云词图
作为一门编程语言，Python的编写简单，支持库强大，应用场景多，越来越多的人开始将它作为自己的编程入门语言。
Python一个比较重要的场景是做舆情分析，比如分析社交网络上群众对某一话题的态度，分析股民的情绪作为投资参考等。最近笔者也做了一些舆情分析（八卦）方面的工作，一个完整的分析流程包括：
数据获取：使用爬虫在相关网站上获取文本内容
数据清洗：按一定格式对文本数据进行清洗和提取（文本分类，贴标签）
数据呈现：多维度呈现和解读数据（计算，做表，画图）
今天呢，作为系列分享之一，笔者就以李小璐出轨事件为例，使用从知乎热门回答上爬取的中文文本数据，绘制云词图。
所谓分词即是将文本序列按完整的意思切分成一个一个的词儿，方便进行下一步的分析（词频统计，情感分析等）。
由于英文词与词自带空格作为分隔符，相比于中文分词要简单的多。我们在做中文分词时，需要把词语从一整段话中筛出来，困难之处在于，汉语表达博大精深，一段话往往有不同的切分方法。
所幸这不是我们需要担心的，Python中的Jieba库提供了现成的解决方案：
import jieba
text="李小璐给王思聪买了微博热搜"
result=jieba.cut(text)
print("切分结果:
"+",".join(result))
jiaba调用了自己的分词算法，将切分好的文本按逗号分隔符分开，得到下面结果
李小璐,给,王思聪,买,了,微博热,搜,。
可见切分结果不尽如人意，比较明显的是，“微博”，“热搜”就没有被识别出来，其次有一些词，比如“了” “买”以及标点符号，显然我们不想让这些词出现在云词图里，因为它们本身没什么意义。
对于某些特别的名词，为了使得其切分时不被分开，我们可以选择在切分前强调一下这些名词，比如：
text="李小璐给王思聪买了微博热搜"
jieba.suggest_freq(('微博'), True)
jieba.suggest_freq(('热搜'), True)
result=jieba.cut(text)
print("切分结果:
"+",".join(result))
李小璐,给,王思聪,买,了,微博,热搜,。
还可以将特殊用词加入用户自定义词典，实现相同的效果：
jieba.load_userdict("./utils/jieba_user_dict.txt")
切分之后一些特殊的符号会单独成词，这些词会影响我们之后的分析。这里我们可以使用一个标点符号库 （点击下载），将切分出来的特殊符号剔除掉。
对于“了”，“的”这样长度为一的词，显然对我们分析文本没有任何帮助。处理的方法为将长度为1的词全部剔除掉。
import jieba
f=open("utils/stopwords.txt","r")
stopwords={}.fromkeys(f.read().split("\n"))
jieba.load_userdict("./utils/jieba_user_dict.txt")
segs=jieba.cut(text)
mytext_list=[]
for seg in segs:
if seg not in stopwords and seg!=" " and len(seg)!=1:
mytext_list.append(seg.replace(" ",""))
cloud_text=",".join(mytext_list)
绘制云词图
做好了中文分词，下一步即是绘制云词图了。这里我们使用了另一个比较强大的库WordCloud。
from wordcloud import WordCloud
wc = WordCloud(
background_color="white",
max_words=200,
font_path="./font/wb.ttf",
min_font_size=15,
max_font_size=50,
wc.generate(cloud_text)
wc.to_file("pic.png")
运行以上代码就可以直接出图了：
WordCloud在生成对象时，提供了多个参数：
Parameters
----------
font_path : string
使用的字体库
width : int (default=400)
height : int (default=200)
mask : nd-array or None (default=None)
图片背景参考形状
scale : float (default=1)
图幅放大、缩小系数
min_font_size : int (default=4)
最小的字符
min_font_size : int (default=4)
最大的字符
max_words : number (default=200)
最多显示的词数
stopwords : set of strings or None
不需要显示的词
background_color : color value (default="black")
绘制指定形状的云词图
在绘制云词图的时候，可以通过WordCloud的mask参数，可以指定词图的轮廓，绘制成各种形状的图片。比如我们想用以上这张图片，WordCloud会识别出除纯白的的部分作为轮廓。具体实现如下：
from PIL import Image
import numpy as np
from wordcloud import WordCloud, ImageColorGenerator
from matplotlib import pyplot as plt
cloud_mask = np.array(Image.open("./bc_img/heart.jpeg"))
st=set(["东西","这是"])
wc = WordCloud(background_color="white",
mask=cloud_mask,
max_words=200,
font_path="./font/wb.ttf",
min_font_size=15,
max_font_size=50,
width=400,
stopwords=st)
wc.generate(cloud_text)
wc.to_file("pic.png")
调用以上代码就得到了一张心形状的云词图：
使用PS稍加处理，就得到了下面这张图~
李小璐出轨云词图
关注 “果果数据”公众号，获取全部代码，还可以看到更多教程O(∩_∩)O~
没有更多推荐了，