一个有意思还有用的Python包-汉字转换拼音-技术圈

一、应用概述

最近做一个项目，发现很多场景，把汉字转换成拼音，然后进行深度学习分类，能够取得非常不错的效果，在做内容识别，特别是涉及到同音字的时候，转换成拼音就显得特别重要。比如垃圾广告识别：公众号、工仲号、躬总号，公众號、微信、威信、维伈.........，pypinyin是我用的一个比较好用的包是

给大家分享下，当然，在其他很多场景也是可以使用的，排序、检索等等场合。

二、有关文档

GitHub: https://github.com/mozillazg/python-pinyin

文档：https://pypinyin.readthedocs.io/zh_CN/master/

PyPi ：https://pypi.org/project/pypinyin/

三、关于安装

#可以使用 pip 进行安装pip install pypinyin
#easy_install 安装easy_install pypinyin
#源码安装python setup.py install

四、核心函数

1、pypinyin.pinyin

语法：pypinyin.pinyin(hans, style=Style.TONE, heteronym=False, errors='default', strict=True)

功能：将汉字转换为拼音，返回汉字的拼音列表。

参数：

hans (unicode 字符串或字符串列表) – 汉字字符串( '你好吗' )或列表( ['你好', '吗'] ). 可以使用自己喜爱的分词模块对字符串进行分词处理, 只需将经过分词处理的字符串列表传进来就可以了。
style – 指定拼音风格，默认是 TONE 风格。更多拼音风格详见 Style
errors –指定如何处理没有拼音的字符。详见处理不包含拼音的字符
heteronym – 是否启用多音字
strict – 是否严格遵照《汉语拼音方案》来处理声母和韵母，详见 strict 参数的影响

from pypinyin import pinyin, Styleimport pypinyin#普通模式pinyin('中心')[['zhōng'], ['xīn']]pinyin('公众号')[['gōng'], ['zhòng'], ['hào']]# 启用多音字模式pinyin('中心', heteronym=True)[['zhōng', 'zhòng'], ['xīn']]# 设置拼音风格pinyin('中心', style=Style.NORMAL ) #普通风格[['zhong'], ['xin']]
pinyin('中心', style=Style.FIRST_LETTER)[['z'], ['x']]
pinyin('中心', style=Style.TONE2)[['zho1ng'], ['xi1n']]
pinyin('中心', style=Style.TONE3)[['zhong1'], ['xin1']]
pinyin('中心', style=Style.CYRILLIC)#汉语拼音与俄语字母对照风格[['чжун1'], ['синь1']]

2、pypinyin.lazy_pinyin

语法：pypinyin.lazy_pinyin(hans, style=Style, errors='default', strict=True)

功能：将汉字转换为拼音，返回不包含多音字结果的拼音列表，与 pinyin() 的区别是返回的拼音是个字符串，并且每个字只包含一个读音

参数：

hans (unicode or list) – 汉字
style – 指定拼音风格，默认是 NORMAL 风格。更多拼音风格详见 Style。
errors – 指定如何处理没有拼音的字符，详情请参考 pinyin()
strict – 是否严格遵照《汉语拼音方案》来处理声母和韵母，详见 strict 参数的影响

from pypinyin import lazy_pinyin, Styleimport pypinyin
lazy_pinyin('中心')['zhong', 'xin']lazy_pinyin('微信公众号')['wei', 'xin', 'gong', 'zhong', 'hao']
lazy_pinyin('中心', style=Style.TONE)['zhōng', 'xīn']lazy_pinyin('中心', style=Style.FIRST_LETTER)['z', 'x']lazy_pinyin('中心', style=Style.TONE2)['zho1ng', 'xi1n']lazy_pinyin('中心', style=Style.CYRILLIC)['чжун1', 'синь1']

3、pypinyin.slug

功能：将汉字转换为拼音，然后生成 slug 字符串，简单说就是自定义分隔符

语法：pypinyin.slug(hans , style=Style, heteronym=False, separator='-', errors='default', strict=True)

hans (unicode or list) – 汉字
style – 指定拼音风格，默认是 NORMAL 风格。更多拼音风格详见 Style
heteronym – 是否启用多音字
separator – 两个拼音间的分隔符/连接符
errors – 指定如何处理没有拼音的字符，详情请参考 pinyin()
strict – 是否严格遵照《汉语拼音方案》来处理声母和韵母，详见 strict 参数的影响

import pypinyinfrom pypinyin import Stylepypinyin.slug('我是中国人')'wo-shi-zhong-guo-ren'pypinyin.slug('我是中国人', separator=' ')'wo shi zhong guo ren'
pypinyin.slug('中国人2020雄起', separator=' ')#遇到数字等非汉字不注音'zhong guo ren 2020 xiong qi'
pypinyin.slug('中国人2020雄起', style=Style.FIRST_LETTER)'z-g-r-2020-x-q'
pypinyin.slug('我是中国人', style=Style.CYRILLIC)'во3-ши4-чжун1-го2-жэнь'

4、 pypinyin.load_single_dict

功能：载入用户自定义的单字拼音库

语法： pypinyin.load_single_dict(pinyin_dict, style='default')

参数：

pinyin_dict (dict) – 单字拼音库。比如： {0x963F: u"ā,ē"}
style – pinyin_dict 参数值的拼音库风格. 支持 ‘default’, ‘tone2’

5、 pypinyin.load_phrases_dict

功能：载入用户自定义的词语拼音库

语法： pypinyin.load_phrases_dict(phrases_dict, style='default')

参数：

phrases_dict (dict) – 词语拼音库。比如： {u"阿爸": [[u"ā"], [u"bà"]]}
style – phrases_dict 参数值的拼音库风格. 支持 ‘default’, ‘tone2’

五、一个案例

假如需要找出一个垃圾评价的相似样本，用汉语相似性远远小于拼音，这个时候，拼音就能发挥很大的优势。

当然转换成拼音后，把每个音节当一个词，进行深度学习，效果也是非常好的。

S1 = '加公众号：小优惠，领券，便宜购买'S2 = '伽工仲号：小优惠，伶绻，便宜购买'
#汉语相似simi_1 = len(set(S1).intersection(set(S2)))/len(set(S1).union(set(S2)))#相似不懂的可以看我前面集合的文章simi_10.5#转换成拼音后显示S1 = lazy_pinyin(S1)S2 = lazy_pinyin(S2)simi_2 = len(set(S1).intersection(set(S2)))/len(set(S1).union(set(S2)))simi_20.875

python爬虫人工智能大数据公众号