Python에서 단어 빈도 통계 및 키워드 추출에 Jieba를 사용하는 방법

1 단어 빈도 통계

1.1 간단한 단어 빈도 통계

1. jieba 라이브러리를 가져오고 텍스트를 정의합니다jieba库并定义文本

import jieba
text = "Python是一种高级编程语言，广泛应用于人工智能、数据分析、Web开发等领域。"

2.对文本进行分词

words = jieba.cut(text)

这一步会将文本分成若干个词语，并返回一个生成器对象words，可以使用for循环遍历所有的词语。

3. 统计词频

word_count = {}
for word in words:
    if len(word) > 1:
        word_count[word] = word_count.get(word, 0) + 1

这一步通过遍历所有的词语，统计每个词语出现的次数，并保存到一个字典word_count中。在统计词频时，可以通过去除停用词等方式进行优化，这里只是简单地过滤了长度小于2的词语。

4. 结果输出

for word, count in word_count.items():
    print(word, count)

1.2 加入停用词

为了更准确地统计词频，我们可以在词频统计中加入停用词，以去除一些常见但无实际意义的词语。具体步骤如下：

定义停用词列表

import jieba

# 停用词列表
stopwords = ['是', '一种', '等']

对文本进行分词，并过滤停用词

text = "Python是一种高级编程语言，广泛应用于人工智能、数据分析、Web开发等领域。"
words = jieba.cut(text)
words_filtered = [word for word in words if word not in stopwords and len(word) > 1]

统计词频并输出结果

word_count = {}
for word in words_filtered:
    word_count[word] = word_count.get(word, 0) + 1
for word, count in word_count.items():
    print(word, count)

加入停用词后，输出的结果是：

可以看到，被停用的一种这个词并没有显示出来。

2 关键词提取

2.1 关键词提取原理

与对词语进行单纯计数的词频统计不同，jieba提取关键字的原理是基于TF-IDF（Term Frequency-Inverse Document Frequency）算法。TF-IDF算法是一种常用的文本特征提取方法，可以衡量一个词语在文本中的重要程度。

具体来说，TF-IDF算法包含两个部分：

• Term Frequency（词频）：指一个词在文本中出现的次数，通常用一个简单的统计值表示，例如词频、二元词频等。词频反映了一个词在文本中的重要程度，但是忽略了这个词在整个语料库中的普遍程度。

• Inverse Document Frequency（逆文档频率）：指一个词在所有文档中出现的频率的倒数，用于衡量一个词的普遍程度。逆文档频率越大，表示一个词越普遍，重要程度越低；逆文档频率越小，表示一个词越独特，重要程度越高。

TF-IDF算法通过综合考虑词频和逆文档频率，计算出每个词在文本中的重要程度，从而提取关键字。在jieba中，关键字提取的具体实现包括以下步骤：

• 对文本进行分词，得到分词结果。

• 统计每个词在文本中出现的次数，计算出词频。

• 统计每个词在所有文档中出现的次数，计算出逆文档频率。

• 综合考虑词频和逆文档频率，计算出每个词在文本中的TF-IDF值。

• 对TF-IDF值进行排序，选取得分最高的若干个词作为关键字。

举个例子：
F（Term Frequency）指的是某个单词在一篇文档中出现的频率。计算公式如下：
T F = ( 单词在文档中出现的次数 ) / ( 文档中的总单词数 ) 
例如，在一篇包含100个单词的文档中，某个单词出现了10次，则该单词的TF为
10 / 100 = 0.1 
IDF（Inverse Document Frequency）指的是在文档集合中出现某个单词的文档数的倒数。计算公式如下：
I D F = l o g ( 文档集合中的文档总数 / 包含该单词的文档数 ) 
例如，在一个包含1000篇文档的文档集合中，某个单词在100篇文档中出现过，则该单词的IDF为 l o g ( 1000 / 100 ) = 1.0
TFIDF是将TF和IDF相乘得到的结果，计算公式如下：
T F I D F = T F ∗ I D F 

需要注意的是，TF-IDF算法只考虑了词语在文本中的出现情况，而忽略了词语之间的关联性。因此，在一些特定的应用场景中，需要使用其他的文本特征提取方法，例如词向量、主题模型等。

2.2 关键词提取代码

import jieba.analyse

# 待提取关键字的文本
text = "Python是一种高级编程语言，广泛应用于人工智能、数据分析、Web开发等领域。"

# 使用jieba提取关键字
keywords = jieba.analyse.extract_tags(text, topK=5, withWeight=True)

# 输出关键字和对应的权重
for keyword, weight in keywords:
    print(keyword, weight)

在这个示例中，我们首先导入了jieba.analyse模块，然后定义了一个待提取关键字的文本text。接着，我们使用jieba.analyse.extract_tags()函数提取关键字，其中topK参数表示需要提取的关键字个数，withWeightrrreee
2. 텍스트를 분할합니다

rrreee

이 단계에서는 텍스트를 여러 개로 나눕니다. 단어 및 for를 사용하여 모든 단어를 반복하는 데 사용할 수 있는 생성기 개체 words를 반환합니다.

3. 단어 빈도 계산🎜rrreee🎜이 단계는 모든 단어를 순회하고 각 단어의 발생 횟수를 세어 사전 word_count에 저장하는 것입니다. 단어 빈도를 계산할 때 중지 단어를 제거하여 최적화를 수행할 수 있습니다. 여기서 길이가 2 미만인 단어는 간단히 필터링됩니다. 🎜🎜4. 결과 출력🎜rrreee🎜🎜🎜1.2 중지 단어 추가🎜🎜단어 빈도를 더 정확하게 계산하기 위해 단어 빈도 통계에 중지 단어를 추가하여 일반적이지만 의미 없는 단어를 제거할 수 있습니다. 구체적인 단계는 다음과 같습니다. 🎜🎜 불용어 목록 정의 🎜rrreee🎜 텍스트 분할 및 불용어 필터링 🎜rrreee🎜 단어 빈도 계산 및 결과 출력 🎜rrreee🎜 불용어 추가 후 출력 결과는 다음과 같습니다. 🎜🎜 🎜🎜보시다시피 비활성화된 단어 a가 표시되지 않습니다. 🎜🎜2 키워드 추출🎜🎜2.1 키워드 추출 원리🎜🎜단순히 단어 수를 세는 단어 빈도 통계와 달리, 지에바의 키워드 추출 원리는 TF-IDF(용어 빈도-역문서 빈도) 알고리즘을 기반으로 합니다. TF-IDF 알고리즘은 텍스트에서 단어의 중요도를 측정할 수 있는 일반적으로 사용되는 텍스트 특징 추출 방법입니다. 🎜🎜특히 TF-IDF 알고리즘은 두 부분으로 구성됩니다. 🎜

• 🎜용어 빈도: 단어가 텍스트에 나타나는 횟수를 나타내며 일반적으로 사용됩니다. 단어 빈도, 바이그램 단어 빈도 등과 같은 통계적 값 표현 단어 빈도는 텍스트에서 단어의 중요성을 반영하지만 전체 말뭉치에서 해당 단어의 빈도를 무시합니다. 🎜
• 🎜역 문서 빈도(역 문서 빈도): 모든 문서에 나타나는 단어의 빈도에 대한 역수를 말하며, 단어의 보급률을 측정하는 데 사용됩니다. 역문서 빈도가 높을수록 단어는 더 일반적이고 중요도는 낮습니다. 역문서 빈도가 작을수록 단어는 더 독특하고 중요도는 높아집니다. 🎜

🎜TF-IDF 알고리즘은 단어 빈도와 역문서 빈도를 종합적으로 고려하여 텍스트 내 각 단어의 중요도를 계산하여 키워드를 추출합니다. jieba에서 키워드 추출의 구체적인 구현에는 다음 단계가 포함됩니다. 🎜

• 🎜 텍스트에서 단어 분할을 수행하고 단어 분할 결과를 얻습니다. 🎜
• 🎜각 단어가 텍스트에 나타나는 횟수를 세어 단어 빈도를 계산하세요. 🎜
• 🎜모든 문서에 각 단어가 나타나는 횟수를 세어 역문서 빈도를 계산하세요. 🎜
• 🎜단어 빈도와 역문서 빈도를 종합적으로 고려하여 텍스트 내 각 단어의 TF-IDF 값을 계산합니다. 🎜
• 🎜 TF-IDF 값을 정렬하고 점수가 가장 높은 단어를 키워드로 선택하세요. 🎜

🎜예: 🎜F(용어 빈도)는 문서에 단어가 나타나는 빈도를 나타냅니다. 계산식은 다음과 같습니다. 🎜T F = (문서에 단어가 나타나는 횟수) / (문서에 나오는 총 단어 수) 🎜예를 들어 100 단어가 포함된 문서에서 특정 단어가 10 나온다면 TF라는 단어는 🎜10/100 = 0.1입니다. 🎜IDF(Inverse Document Frequency)는 문서 모음에서 특정 단어가 나타나는 문서 수의 역수를 말합니다. 계산식은 다음과 같습니다. 🎜I DF = 로그(문서 모음의 전체 문서 수 / 해당 단어가 포함된 문서 수) 🎜예를 들어 1,000개의 문서가 포함된 문서 모음에서 특정 단어가 100개의 문서에 나타난 다음, 단어의 IDF는 log (1000/100) = 1.0입니다.🎜TFIDF는 TF와 IDF를 곱한 결과입니다. 계산식은 다음과 같습니다. 🎜T F I D F = T F ∗ I D F 🎜

🎜 TF-IDF 알고리즘은 텍스트에서 단어의 발생만 고려하고 단어 간의 상관 관계는 무시합니다. 따라서 일부 특정 애플리케이션 시나리오에서는 단어 벡터, 주제 모델 등과 같은 다른 텍스트 특징 추출 방법을 사용해야 합니다. 🎜🎜2.2 키워드 추출 코드🎜rrreee🎜이 예제에서는 먼저 jieba.analyse 모듈을 가져온 후 추출할 키워드에 대한 텍스트 text를 정의했습니다. 다음으로, jieba.analyse.extract_tags() 함수를 사용하여 키워드를 추출합니다. 여기서 topK 매개변수는 추출할 키워드 수, withWeight를 나타냅니다. code> 매개변수는 키워드의 가중치 값을 반환할지 여부를 나타냅니다. 마지막으로 키워드 목록을 반복하고 각 키워드와 해당 가중치 값을 출력합니다. 🎜이 함수의 출력 결과는 다음과 같습니다. 🎜🎜🎜🎜<p> 보시다시피 jieba는 TF-IDF 알고리즘을 기반으로 입력 텍스트에서 여러 키워드를 추출하고 각 키워드의 가중치 값을 반환했습니다. </p>

위 내용은 Python에서 단어 빈도 통계 및 키워드 추출에 Jieba를 사용하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!