
作者:小伍哥
来源:AI入门学习
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Python包,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:
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:
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)
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:
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:
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
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14