Python_文本分析_TF-IDF

1. TF-IDF介绍

2. 计算逻辑

我这里使用了一个简单的数据集帮助大家理解TF-IDF的计算（如下）。数据集为自定义的corpus，一共有四段文本，每一段都比较少来帮助理解计算逻辑。

import numpy as np
import pandas as pd 
from sklearn.feature_extraction.text import TfidfTransformer  
from sklearn.feature_extraction.text import CountVectorizer

corpus = [ '原子弹 芒果 应用', '芒果 应用', '原子弹 应用', '应用']

vectorizer = CountVectorizer()          
transformer = TfidfTransformer()       
X = vectorizer.fit_transform(corpus)   

tfidf = transformer.fit_transform(X)  
word = vectorizer.get_feature_names() 
weight = tfidf.toarray()               
for i in range(len(weight)):      
    print("-------第", i+1, "段文本的词语tf-idf权重------")
    for j in range(len(word)):
        print(word[j], weight[i][j])

计算接结果为：

-------第 1 段文本的词语tf-idf权重------
原子弹 0.640434054078
应用 0.423896738316
芒果 0.640434054078
-------第 2 段文本的词语tf-idf权重------
原子弹 0.0
应用 0.551939416352
芒果 0.833884212992
-------第 3 段文本的词语tf-idf权重------
原子弹 0.833884212992
应用 0.551939416352
芒果 0.0
-------第 4 段文本的词语tf-idf权重------
原子弹 0.0
应用 1.0
芒果 0.0

3. 实现用例

下面我们将使用一个具体的数据集来实现IF-IDF模型。