sklearn中的TfidfVectorizer中计算TF-IDF的过程（详解）

Sklearn中的Tf-idf原理（source code）：

https://github.com/scikit-learn/scikit-learn/blob/f0ab589f1541b1ca4570177d93fd7979613497e3/sklearn/feature_extraction/text.py

1. Tf-idf训练

Fit_transform学习到一个字典，并返回Document-term的矩阵(即词典中的词在该文档中出现的频次)

TfidfVectorizer.fit_transform(raw_document) = TfidfTransformer.fit(X).transform(X)

Fit步骤学习idf vector，一个全局的词权重_idf_diag。输入的X是一个稀疏矩阵，行是样本数，列是特征数。

Transform步骤是把X这个计数矩阵转换成tf-idf表示， X = X * self._idf_diag，然后进行归一化

• 测试

Transform(raw_documents):把文档转换成 X矩阵（该文档中该特征词出现的频次），行是文档个数，列是特征词的个数。

然后调用TfidfTransformer的transform过程（第一个步骤中的）

• 例子

TfidfVectorizer从训练数据集中学习到词典vocab,vocab包含三个词，分别是document，second,third。并且学习到_idf的全局idf vector

来了新的测试样本，会生成document-term矩阵，矩阵中的数是该文档中该词出现的次数，即tf;然后tf*idf（从idf vector中查找），最后归一化。因此第二个测试样本都为0