我有一段代码,在一组文档上运行基本的TF-IDF向量化程序,返回一个D X F的稀疏矩阵,其中D是文档数量,F是术语数量。没问题。
但是要如何找到文档中特定术语的TF-IDF分数?即是否存在某种词典,将术语(以它们的文本表示)与它们在结果稀疏矩阵中的位置对应起来?
我有一段代码,在一组文档上运行基本的TF-IDF向量化程序,返回一个D X F的稀疏矩阵,其中D是文档数量,F是术语数量。没问题。
但是要如何找到文档中特定术语的TF-IDF分数?即是否存在某种词典,将术语(以它们的文本表示)与它们在结果稀疏矩阵中的位置对应起来?
.vocabulary_
。In [1]: from sklearn.datasets import fetch_20newsgroups
In [2]: data = fetch_20newsgroups(categories=['rec.autos'])
In [3]: from sklearn.feature_extraction.text import TfidfVectorizer
In [4]: cv = TfidfVectorizer()
In [5]: X = cv.fit_transform(data.data)
In [6]: cv.vocabulary_
这是一个形式为:
{单词 : 数组中的列索引}
以下是使用CountVectorizer
和TfidfTransformer
的另一种解决方案,用于查找给定单词的Tfidf
分数:
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
# our corpus
data = ['I like dog', 'I love cat', 'I interested in cat']
cv = CountVectorizer()
# convert text data into term-frequency matrix
data = cv.fit_transform(data)
tfidf_transformer = TfidfTransformer()
# convert term-frequency matrix into tf-idf
tfidf_matrix = tfidf_transformer.fit_transform(data)
# create dictionary to find a tfidf word each word
word2tfidf = dict(zip(cv.get_feature_names(), tfidf_transformer.idf_))
for word, score in word2tfidf.items():
print(word, score)
输出:
(u'love', 1.6931471805599454)
(u'like', 1.6931471805599454)
(u'i', 1.0)
(u'dog', 1.6931471805599454)
(u'cat', 1.2876820724517808)
(u'interested', 1.6931471805599454)
(u'in', 1.6931471805599454)