# char_featurizer

**Repository Path**: xxllp/char_featurizer

## Basic Information

- **Project Name**: char_featurizer
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2021-11-01
- **Last Updated**: 2021-11-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

char_featurizer
==========================

**char_featurizer** 是一个汉字字符特征提取工具，他可以提取汉字的字音（包括声母、韵母、声调）、字形（偏旁、部首）、四角符号等信息。
同时可以将这些特征信息转换为tensor，作为模型的输入特征。这个项目是在安德森大佬的 `字符提取工具 <https://github.com/howl-anderson/hanzi_char_featurizer>`_ 的基础上做了优化整合

目前 **char_featurizer** 支持的功能有：

    1、字形特征提取

    2、字音特征提取

    3、四角编码提取

    4、tensor转换


二、安装使用
============

1、安装
>>>>>>>>>>>>>>>>>>

.. code:: python

    pip install char_featurizer

2、使用
>>>>>>>>>>>>>>>>>>>

1、字符特征提取

.. code:: python

    from char_featurizer import Featurizer

    featurizer = Featurizer()

    data = '明天去你家玩'

    result = featurizer.featurize(data)
    print(result)

    返回结果:
    ([['m'], ['t'], ['q'], ['n'], ['j'], ['w']],      # 声母
    [['ing'], ['ian'], ['u'], ['i'], ['ia'], ['an']], # 韵母
    [['2'], ['1'], ['4'], ['3'], ['1'], ['2']],       # 声调
    ('6', '1', '4', '2', '3', '1'),
    ('7', '0', '0', '7', '0', '1'),
    ('0', '8', '7', '2', '2', '1'),
    ('2', '0', '3', '9', '3', '1'),
    ('0', '4', '2', '2', '2', '2'))
    元祖的第一个值的组合为对应汉字的四角编码：如：明 -> 67020, 天 -> 10804

注：汉字和四角编码并非是一一对应的，一个四角编码可以对应多个汉字，但是一个汉字只有一个四角编码



2、作为特征输入模型

3、相关资源
>>>>>>>>>>>>>>>>>>>>>>

1、`汉字四角号码在线查询工具 <https://sijiao.911cha.com>`_



三、Update News
======================

    * 2020.5.4  完成V1版本

四、TO DO LIST
======================

    1、字符相似度计算（发音相似度、字形相似度）

    2、支持tf2


五、Resources
======================