Python sklearn 中的TfidfVectorizer参数解析

$$tf\ast (1+log(文档总数/出现单词的文档个数))$$

源码阅读 阅读源码真香的呢，感觉虽然目前还不是很懂，但是很清晰

Sklearn中的Tf-idf原理（source code）：

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

from sklearn.feature_extraction.text import TfidfVectorizer  #原始文本转化为tf-idf的特征矩阵
corpus=['second third document.','second second document.']  #语料库 ，每一行一个文档
vectorizer=TfidfVectorizer()  #定义了一个类的实例
X=vectorizer.fit_transform(corpus)
print(X.toarray())
print(vectorizer.get_feature_names())
test=['a first second document.','thid ac dc.']
print(vectorizer.transform(test).toarray())
print(vectorizer.inverse_transform(vectorizer.transform(test)))
# 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。
# X : array, [n_samples, n_features]   Document-term matrix.
#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

# TfidfVectorizer从训练数据集中学习到词典vocab=['document', 'second', 'third']包含三个词，
# 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

知乎大牛文章

今天开始整理了以前做的“的”、“地”、“得”误用识别，发现还是有可改进的地方。也意识到完全基于规则词表的方法，实际上完全可以达到96%的准确性，但是另外的4%需要或许就需要借助于统计方法来做了。至此，是否可以说涉及到语言学相关的应用时，统计和规则是互为补充的，各有优势。看来不管从事什么行业，你做过的业务，几年后回想起来，还是会有很多遗憾。比如当年“的”、“地”、“得”这个实践中，单纯为了准确性所采用的规则，现在看起来，对于不能匹配规则词表的情况，以及在统计生成规则时有冲突的情况，是否可以考虑使用词语词性特征+分类算法来加以解决。这个小实践打算在介绍了基本sklearn库之后在专栏中详细地介绍一下，当然使用的语料肯定只能是能收集到的，当年的语料没有留下来，即使留下来公开出来也是不太好的。之所以要写一下这个小实践的原因是，它有一点统计语言学的味道，并且在现在我的改进思路里有了一些应用机器学习方法的念头，所以我正在整理。其他的实践都比较大，有些甚至没有办法用个人的计算机实现。说到这儿，真是忍不住要说一下现在的自己的工作，之所以开了这个专栏有一个原因是工作时间实在没有什么能做的，没有可用的开发机，每天只能看运维的脸色，借用人家的终端登录服务器看数据，人家只要一用机器，就只能一边站了，哎，作为一个NLP算法工程师，像我这样的境遇估计也是没谁了，所以才会在开专栏前写了一篇文章名称是“不得意就开始写文章”，呵呵。问题不是没有反映，是反映了也没人解决，所以最近还是准备换个地方了，在这里提醒小伙伴们，入职事业单位可要小心呀。

好了，进入今天的主题。今天我们介绍另外一种词袋模型的sklearn实现，今天介绍的词袋模型特征还是由词组成，但是每篇文本的各维度向量值跟昨天介绍的baiziyu：sklearn——CountVectorizer 不一样，在CountVectorizer中，每个文本的各维度值是特征词在文本中的出现次数，今天介绍的TfidfVectorizer，每个文本的各维度值是特征词的Tfidf值。区别很明显，除了考虑特征词在文本中的出现次数外，还考虑了词语在文档集中的分布情况（也就是idf值）。TfidfVectorizer我们已经在baiziyu：文本分类示例1——英文新闻文本分类 这篇文章中应用过了，大家可以查看示例代码。从上边的介绍不难看出，TfidfVectorizer和CountVectorizer的区别不是很大，两个类的参数、属性以及方法都是差不多的，因此我们只介绍TfidfVectorizer中独有的特性，其他的请参考昨天的文章baiziyu：sklearn——CountVectorizer 。

函数原型

class sklearn.feature_extraction.text.TfidfVectorizer(input=’content’, encoding=’utf-8’, decode_error=’strict’, strip_accents=None, lowercase=True, preprocessor=None, tokenizer=None, analyzer=’word’, stop_words=None, token_pattern=’(?u)\b\w\w+\b’, ngram_range=(1, 1), max_df=1.0, min_df=1, max_features=None, vocabulary=None, binary=False, dtype=, norm=’l2’, use_idf=True, smooth_idf=True, sublinear_tf=False)

函数参数 smooth_idf

binary：布尔值，默认为False。如果为True，则所有非0词特征都被置为1。这不意味着输出只有0，1两种值，只有tf_idf中的tf是二值的

norm：规范化数据的范数，’l1’，’l2’或None

use_idf：布尔值，默认为True。使用逆文档频率重新加权

smooth_idf：布尔值，默认为True。通过对文档频率加1来平滑idf权值，好像有一篇包含有训练集中所有词种各1次的文档被加到了训练集中

sublinear_tf：布尔值，默认为False。应用sublinear tf值尺度变化，例如用1+log(tf)取代tf

函数属性 df_

df_：数组，长度为特征数量

函数方法 fit fit_transform inverse_transform(

fit(raw_documents[,y])：从训练集学习词汇表和idf

fit_transform(raw_documents[,y])：学习词汇表和idf，返回文档词矩

inverse_transform(X)：返回某篇训练文档向量中的非0特征值所对应的特征词列表

这里着重说明一下以下几个参数

use_idf 不加的话等同于CountVectorizer

该参数默认值为True。如果我们将它设置为False，类实例就变为CountVectorizer实例。还需要注意sklearn中idf的计算公式与一般书中介绍的不一样。它的计算公式为idf(t)=log(训练集文本总数/包含词t的文本数)+1。例如：

文本集
texts = ["Chinese Beijing Chinese",
         "Chinese Chinese Shanghai",
         "Chinese Macao",
         "Tokyo Japan Chinese"]
特征向量
['beijing', 'chinese', 'japan', 'macao', 'shanghai', 'tokyo']
TF文档-词矩阵
[[1., 2., 0., 0., 0., 0.],
  [0., 2., 0., 0., 1., 0.],
  [0., 1., 0., 1., 0., 0.],
  [0., 1., 1., 0., 0., 1.]]
TF-IDF文档-词矩阵
[[2.38629436, 2.        , 0.        , 0.        , 0.        ,0.        ],
 [0.        , 2.        , 0.        , 0.        , 2.38629436,0.        ],
 [0.        , 1.        , 0.        , 2.38629436, 0.        ,0.        ],
 [0.        , 1.        , 2.38629436, 0.        , 0.        ,2.38629436]]
第1篇文本中各维度值的计算如下：
第1维： tf*(1+log(文档总数/出现单词的文档个数))
In [18]: 1.0*(1+log(4/1))
Out[18]: 2.386294361119891
第2维：
In [19]: 2.0*(1+log(4/4))
Out[19]: 2.0
其他维只能是0

norm 归一化处理，每一维度除以向量的模

norm='l2’范数时，就是对文本向量进行归一化。也就是对文档-词矩阵的每行进行归一化处理。归一化公式已经在前边的文章中介绍了baiziyu：数据归一化 。这里我们再用文字叙述一下，过程是：对文档-词矩阵的每行进行归一化，这里用1行举例，如果该行文本的向量为[1.0,2.0,0,0,0,0]则归一化就是将对该向量进行单位化，即对每一维度除以向量的模。

In [3]: text1 = np.array([1.0, 2.0, 0,0,0,0])
In [8]: (1.0/np.sqrt(math.pow(1.0,2)+math.pow(2.0,2)))*text1
Out[8]: 
array([0.4472136 , 0.89442719, 0.        , 0.        , 0.        ,
       0.        ])

smooth_idf
它计算idf值的公式为idf(t)=log( (1+训练集文本总数) / (1+包含词t的文本数) )+1

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = CountVectorizer() #构建一个计算词频（TF）的玩意儿，当然这里面不足是可以做这些

transformer = TfidfTransformer() #构建一个计算TF-IDF的玩意儿

tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))

vectorizer.fit_transform(corpus)将文本corpus输入，得到词频矩阵

#将这个矩阵作为输入，用transformer.fit_transform(词频矩阵)得到TF-IDF权重矩阵
TfidfTransformer + CountVectorizer  =  TfidfVectorizer

值得注意的是，CountVectorizer()和TfidfVectorizer()里面都有一个成员叫做vocabulary_（后面带一个下划线）

这个成员的意义是词典索引，对应的是TF-IDF权重矩阵的列，只不过一个是私有成员，一个是外部输入，原则上应该保持一致。

vectorizer = TfidfVectorizer(stop_words=stpwrdlst, sublinear_tf = True, max_df = 0.5)

关于参数：

input：string{‘filename’, ‘file’, ‘content’}

如果是'filename'，序列作为参数传递给拟合器，预计为文件名列表，这需要读取原始内容进行分析

如果是'file'，序列项目必须有一个”read“的方法（类似文件的对象），被调用作为获取内存中的字节数

否则，输入预计为序列串，或字节数据项都预计可直接进行分析。

encoding：string， ‘utf-8’by default

如果给出要解析的字节或文件，此编码将用于解码

decode_error: {‘strict’, ‘ignore’, ‘replace’}

如果一个给出的字节序列包含的字符不是给定的编码，指示应该如何去做。默认情况下，它是'strict'，这意味着的UnicodeDecodeError将提高，其他值是'ignore'和'replace'

strip_accents: {‘ascii’, ‘unicode’, None}

在预处理步骤中去除编码规则(accents)，”ASCII码“是一种快速的方法，仅适用于有一个直接的ASCII字符映射，"unicode"是一个稍慢一些的方法，None（默认）什么都不做

analyzer：string，{‘word’, ‘char’} or callable

定义特征为词（word）或n-gram字符，如果传递给它的调用被用于抽取未处理输入源文件的特征序列

preprocessor：callable or None（default）

当保留令牌和”n-gram“生成步骤时，覆盖预处理（字符串变换）的阶段

tokenizer：callable or None(default)

当保留预处理和n-gram生成步骤时，覆盖字符串令牌步骤

ngram_range: tuple(min_n, max_n)

要提取的n-gram的n-values的下限和上限范围，在min_n <= n <= max_n区间的n的全部值

stop_words：string {‘english’}, list, or None(default)

如果未english，用于英语内建的停用词列表

如果未list，该列表被假定为包含停用词，列表中的所有词都将从令牌中删除

如果None，不使用停用词。max_df可以被设置为范围[0.7, 1.0)的值，基于内部预料词频来自动检测和过滤停用词

lowercase：boolean， default True

在令牌标记前转换所有的字符为小写

token_pattern：string

正则表达式显示了”token“的构成，仅当analyzer == ‘word’时才被使用。两个或多个字母数字字符的正则表达式（标点符号完全被忽略，始终被视为一个标记分隔符）。

max_df： float in range [0.0, 1.0] or int, optional, 1.0 by default

当构建词汇表时，严格忽略高于给出阈值的文档频率的词条，语料指定的停用词。如果是浮点值，该参数代表文档的比例，整型绝对计数值，如果词汇表不为None，此参数被忽略。

min_df：float in range [0.0, 1.0] or int, optional, 1.0 by default

当构建词汇表时，严格忽略低于给出阈值的文档频率的词条，语料指定的停用词。如果是浮点值，该参数代表文档的比例，整型绝对计数值，如果词汇表不为None，此参数被忽略。

max_features： optional， None by default

如果不为None，构建一个词汇表，仅考虑max_features--按语料词频排序，如果词汇表不为None，这个参数被忽略

vocabulary：Mapping or iterable， optional

也是一个映射（Map）（例如，字典），其中键是词条而值是在特征矩阵中索引，或词条中的迭代器。如果没有给出，词汇表被确定来自输入文件。在映射中索引不能有重复，并且不能在0到最大索引值之间有间断。

binary：boolean， False by default

如果未True，所有非零计数被设置为1，这对于离散概率模型是有用的，建立二元事件模型，而不是整型计数

dtype：type， optional

通过fit_transform()或transform()返回矩阵的类型

norm：‘l1’, ‘l2’, or None,optional

范数用于标准化词条向量。None为不归一化

use_idf：boolean， optional

启动inverse-document-frequency重新计算权重

smooth_idf：boolean，optional

通过加1到文档频率平滑idf权重，为防止除零，加入一个额外的文档

sublinear_tf：boolean， optional

应用线性缩放TF，例如，使用1+log(tf)覆盖tf

参考链接

【1】https://zhuanlan.zhihu.com/p/59473719
【2】https://blog.csdn.net/u010981582/article/details/82014965