一、應用概述
最近做一個項目,發現很多場景,把漢字轉換成拼音,然後進行深度學習分類,能夠取得非常不錯的效果,在做內容識別,特別是涉及到同音字的時候,轉換成拼音就顯得特別重要。比如垃圾廣告識別:公衆號、工仲號、躬總號,公衆號、微信、威信、維伈.........,pypinyin是我用的一個比較好用的包是
給大家分享下,當然,在其他很多場景也是可以使用的,排序、檢索等等場合。
二、有關文檔
GitHub: https://github.com/mozillazg/python-pinyin
文 檔:https://pypinyin.readthedocs.io/zh_CN/master/
PyPi :https://pypi.org/project/pypinyin/
三、關於安裝
#可以使用 pip 進行安裝
pip install pypinyin
#easy_install 安裝
easy_install pypinyin
#源碼安裝
python setup.py install
四、核心函數
1、pypinyin.pinyin
語法:pypinyin.pinyin(hans, style=Style.TONE, heteronym=False, errors='default', strict=True)
功能:將漢字轉換爲拼音,返回漢字的拼音列表。
參數:
hans (unicode 字符串或字符串列表) – 漢字字符串( '你好嗎' )或列表( ['你好', '嗎'] ). 可以使用自己喜愛的分詞模塊對字符串進行分詞處理, 只需將經過分詞處理的字符串列表傳進來就可以了。
style – 指定拼音風格,默認是 TONE 風格。更多拼音風格詳見 Style
errors –指定如何處理沒有拼音的字符。詳見 處理不包含拼音的字符
heteronym – 是否啓用多音字
strict – 是否嚴格遵照《漢語拼音方案》來處理聲母和韻母,詳見 strict 參數的影響
from pypinyin import pinyin, Style
import pypinyin
#普通模式
pinyin('中心')
[['zhōng'], ['xīn']]
pinyin('公衆號')
[['gōng'], ['zhòng'], ['hào']]
# 啓用多音字模式
pinyin('中心', heteronym=True)
[['zhōng', 'zhòng'], ['xīn']]
# 設置拼音風格
pinyin('中心', style=Style.NORMAL ) #普通風格
[['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)#漢語拼音與俄語字母對照風格
[['чжун1'], ['синь1']]
2、pypinyin.lazy_pinyin
語法:pypinyin.lazy_pinyin(hans, style=Style, errors='default', strict=True)
功能:將漢字轉換爲拼音,返回不包含多音字結果的拼音列表,與 pinyin() 的區別是返回的拼音是個字符串, 並且每個字只包含一個讀音
參數:
hans (unicode or list) – 漢字
style – 指定拼音風格,默認是 NORMAL 風格。更多拼音風格詳見 Style。
errors – 指定如何處理沒有拼音的字符,詳情請參考 pinyin()
strict – 是否嚴格遵照《漢語拼音方案》來處理聲母和韻母,詳見 strict 參數的影響
from pypinyin import lazy_pinyin, Style
import pypinyin
lazy_pinyin('中心')
['zhong', 'xin']
lazy_pinyin('微信公衆號')
['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:將漢字轉換爲拼音,然後生成 slug 字符串,簡單說就是自定義分隔符
語法:pypinyin.slug(hans , style=Style, heteronym=False, separator='-', errors='default', strict=True)
hans (unicode or list) – 漢字
style – 指定拼音風格,默認是 NORMAL 風格。更多拼音風格詳見 Style
heteronym – 是否啓用多音字
separator – 兩個拼音間的分隔符/連接符
errors – 指定如何處理沒有拼音的字符,詳情請參考 pinyin()
strict – 是否嚴格遵照《漢語拼音方案》來處理聲母和韻母,詳見 strict 參數的影響
import pypinyin
from pypinyin import Style
pypinyin.slug('我是中國人')
'wo-shi-zhong-guo-ren'
pypinyin.slug('我是中國人', separator=' ')
'wo shi zhong guo ren'
pypinyin.slug('中國人2020雄起', separator=' ')#遇到數字等非漢字不注音
'zhong guo ren 2020 xiong qi'
pypinyin.slug('中國人2020雄起', style=Style.FIRST_LETTER)
'z-g-r-2020-x-q'
pypinyin.slug('我是中國人', style=Style.CYRILLIC)
'во3-ши4-чжун1-го2-жэнь'
4、 pypinyin.load_single_dict
功能:載入用戶自定義的單字拼音庫
語法: pypinyin.load_single_dict(pinyin_dict, style='default')
參數:
pinyin_dict (dict) – 單字拼音庫。比如: {0x963F: u"ā,ē"}
style – pinyin_dict 參數值的拼音庫風格. 支持 ‘default’, ‘tone2’
5、 pypinyin.load_phrases_dict
功能:載入用戶自定義的詞語拼音庫
語法: pypinyin.load_phrases_dict(phrases_dict, style='default')
參數:
phrases_dict (dict) – 詞語拼音庫。比如: {u"阿爸": [[u"ā"], [u"bà"]]}
style – phrases_dict 參數值的拼音庫風格. 支持 ‘default’, ‘tone2’
五、一個案例
假如需要找出一個垃圾評價的相似樣本,用漢語相似性遠遠小於拼音,這個時候,拼音就能發揮很大的優勢。
當然轉換成拼音後,把每個音節當一個詞,進行深度學習,效果也是非常好的。
S1 = '加公衆號:小優惠,領券,便宜購買'
S2 = '伽工仲號:小優惠,伶綣,便宜購買'
#漢語相似
simi_1 = len(set(S1).interp(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
#轉換成拼音後顯示
S1 = lazy_pinyin(S1)
S2 = lazy_pinyin(S2)
simi_2 = len(set(S1).interp(set(S2)))/len(set(S1).union(set(S2)))
simi_2
0.875