Scikit learn实现的tfidf与手动实现不同

Question

我尝试使用公式手动计算tfidf值，但是得到的结果与使用scikit-learn实现时得到的结果不同。

from sklearn.feature_extraction.text import TfidfVectorizer

tv = TfidfVectorizer()

a = "cat hat bat splat cat bat hat mat cat"
b = "cat mat cat sat"

tv.fit_transform([a, b]).toarray()

# array([[0.53333448, 0.56920781, 0.53333448, 0.18973594, 0.        ,
#             0.26666724],
#            [0.        , 0.75726441, 0.        , 0.37863221, 0.53215436,
#             0.        ]])

tv.get_feature_names()
# ['bat', 'cat', 'hat', 'mat', 'sat', 'splat']

我尝试手动计算文档的tfidf，但结果与TfidfVectorizer.fit_transform不同。

(np.log(2+1/1+1) + 1) * (2/9) = 0.5302876358044202
(np.log(2+1/2+1) + 1) * (3/9) = 0.750920989498456
(np.log(2+1/1+1) + 1) * (2/9) = 0.5302876358044202
(np.log(2+1/2+1) + 1) * (1/9) = 0.25030699649948535
(np.log(2+1/1+1) + 1) * (0/9) = 0.0
(np.log(2+1/1+1) + 1) * (1/9) = 0.2651438179022101

我应该得到的是：

[0.53333448, 0.56920781, 0.53333448, 0.18973594, 0, 0.26666724]

- user_6396

Answer 1

TFIDF有很多变体。sklearn使用的公式是：

"最初的回答"

(count_of_term_t_in_d) * ((log ((NUMBER_OF_DOCUMENTS + 1) / (Number_of_documents_where_t_appears +1 )) + 1)




2 * (np.log((1 + 2)/(1+1)) + 1) = 2.8109302162163288
3 * (np.log((1 + 2)/(2+1)) + 1) = 3.0
2 * (np.log((1 + 2)/(1+1)) + 1) = 2.8109302162163288
1 * (np.log((1 + 2)/(2+1)) + 1) = 1.0
0 * (np.log((1 + 2)/(2+1)) + 1) = 0.0
1 * (np.log((1 + 2)/(1+1)) + 1) = 1.4054651081081644

在计算完成后，最终的TFIDF向量将通过欧几里得范数进行归一化：

最初的回答

tfidf_vector = [2.8109302162163288, 3.0, 2.8109302162163288, 1.0, 0.0, 1.4054651081081644]

tfidf_vector = tfidf_vector / np.linalg.norm(tfidf_vector)

print(tfidf_vector)

[0.53333448, 0.56920781, 0.53333448, 0.18973594, 0, 0.26666724]

- Eduardo Soares

---

np.linalg.norm计算向量的欧几里得范数。欧几里得范数定义为各分量平方和的平方根。 np.sqrt(np.sum(tfidf_vector ** 2)) - Eduardo Soares

明白了，谢谢。你知道关于TFIDFTransformer的任何信息以及它与TFIDFVectorizer有什么不同吗？这是我另一个关于此问题的问题。 - user_6396