一个有意思还有用的Python包-汉字转换拼音
共 3652字,需浏览 8分钟
·
2020-07-28 12:13
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, Style
import 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, Style
import 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 pypinyin
from pypinyin import Style
pypinyin.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_1
0.5
#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_2
0.875
python爬虫人工智能大数据公众号