scikit-learn计算tf-idf词语权重

采用scikit-learn包进行tf-idf分词权重计算关键用到了两个类：CountVectorizer和TfidfTransformer

CountVectorizer
TfidfTransformer

TfidfVectorizer   个数+归一化（不包括idf）

vectorizer=CountVectorizer()  #该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频  

count=vectorizer.fit_transform(corpus)#将文本转为词频矩阵

transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值  
tfidf=transformer.fit_transform(count)#计算tf-idf

TfidfVec=TfidfVectorizer()

count2=TfidfVec.fit_transform(corpus)

# coding:utf-8 可用中文注释

# coding:utf-8  
__author__ = "liuxuejiang"  
#import jieba  
#import jieba.posseg as pseg  
import os  
import sys  
from sklearn import feature_extraction  
from sklearn.feature_extraction.text import TfidfTransformer  
from sklearn.feature_extraction.text import CountVectorizer 
from sklearn.feature_extraction.text import TfidfVectorizer
  
if __name__ == "__main__":  
corpus = [  
    'Today the weather is sunny',  #第一类文本切词后的结果，词之间以空格隔开
    'Sunny day weather is suitable to exercise ',  #第二类文本切词后的结果
    'I ate a Hotdog'  ]  #第三类文本切词后的结果
vectorizer=CountVectorizer()  #该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频  
count=vectorizer.fit_transform(corpus)#将文本转为词频矩阵

print(vectorizer.vocabulary_)
word=vectorizer.get_feature_names()#获取词袋模型中的所有词语 
print(word) 
print(vectorizer.fit_transform(corpus))
print(vectorizer.fit_transform(corpus).todense())#显示词频矩阵

transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值  
tfidf=transformer.fit_transform(count)#计算tf-idf 
print(tfidf)
weight=tfidf.toarray()#将tf-idf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重  
print(weight)

for i in range(len(weight)):#打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重  
print u"-------这里输出第",i+1,u"类文本的词语tf-idf权重------"  
for j in range(len(word)):  
print word[j],weight[i][j]  

TfidfVec=TfidfVectorizer()
count2=TfidfVec.fit_transform(corpus)
print("--------直接使用TfidfVectorizer()-------")
print(TfidfVec.fit_transform(corpus).todense())

输出：

{u'ate': 0, u'is': 4, u'sunny': 6, u'to': 8, u'weather': 10, u'today': 9, u'the': 7, u'suitable': 5, u'day': 1, u'exercise': 2, u'hotdog': 3}
[u'ate', u'day', u'exercise', u'hotdog', u'is', u'suitable', u'sunny', u'the', u'to', u'today', u'weather']
  (0, 6)	1
  (0, 4)	1
  (0, 10)	1
  (0, 7)	1
  (0, 9)	1
  (1, 2)	1
  (1, 8)	1
  (1, 5)	1
  (1, 1)	1
  (1, 6)	1
  (1, 4)	1
  (1, 10)	1
  (2, 3)	1
  (2, 0)	1
[[0 0 0 0 1 0 1 1 0 1 1]
 [0 1 1 0 1 1 1 0 1 0 1]
 [1 0 0 1 0 0 0 0 0 0 0]]
  (0, 9)	0.517419943932
  (0, 7)	0.517419943932
  (0, 10)	0.393511204094
  (0, 4)	0.393511204094
  (0, 6)	0.393511204094
  (1, 10)	0.317570180428
  (1, 4)	0.317570180428
  (1, 6)	0.317570180428
  (1, 1)	0.417566623878
  (1, 5)	0.417566623878
  (1, 8)	0.417566623878
  (1, 2)	0.417566623878
  (2, 0)	0.707106781187
  (2, 3)	0.707106781187
[[ 0.          0.          0.          0.          0.3935112   0.
   0.3935112   0.51741994  0.          0.51741994  0.3935112 ]
 [ 0.          0.41756662  0.41756662  0.          0.31757018  0.41756662
   0.31757018  0.          0.41756662  0.          0.31757018]
 [ 0.70710678  0.          0.          0.70710678  0.          0.          0.
   0.          0.          0.          0.        ]]
-------这里输出第 1 类文本的词语tf-idf权重------
ate 0.0
day 0.0
exercise 0.0
hotdog 0.0
is 0.393511204094
suitable 0.0
sunny 0.393511204094
the 0.517419943932
to 0.0
today 0.517419943932
weather 0.393511204094
-------这里输出第 2 类文本的词语tf-idf权重------
ate 0.0
day 0.417566623878
exercise 0.417566623878
hotdog 0.0
is 0.317570180428
suitable 0.417566623878
sunny 0.317570180428
the 0.0
to 0.417566623878
today 0.0
weather 0.317570180428
-------这里输出第 3 类文本的词语tf-idf权重------
ate 0.707106781187
day 0.0
exercise 0.0
hotdog 0.707106781187
is 0.0
suitable 0.0
sunny 0.0
the 0.0
to 0.0
today 0.0
weather 0.0
[[ 0.          0.          0.          0.          0.3935112   0.
   0.3935112   0.51741994  0.          0.51741994  0.3935112 ]
 [ 0.          0.41756662  0.41756662  0.          0.31757018  0.41756662
   0.31757018  0.          0.41756662  0.          0.31757018]
 [ 0.70710678  0.          0.          0.70710678  0.          0.          0.
   0.          0.          0.          0.        ]]
[Finished in 0.6s]

中文的情况

中文分词采用的jieba分词，安装jieba分词包

1 安装scikit-learn包

[python] view
plain copy

sudo pip install scikit-learn  

2 中文分词采用的jieba分词，安装jieba分词包

[python] view
plain copy

sudo pip install jieba  

3  关于jieba分词的使用非常简单，参考这里，关键的语句就是(这里简单试水，不追求效果4
)

[python] view
plain copy

import jieba.posseg as pseg  

words=pseg.cut("对这句话进行分词")  

for key in words:  

     print key.word,key.flag  

输出结果：

对 p

这 r

句 q

话 n

进行 v

分词 n

 

4 采用scikit-learn包进行tf-idf分词权重计算关键用到了两个类：CountVectorizer和TfidfTransformer，具体参见这里

  一个简单的代码如下:

[python] view
plain copy

# coding:utf-8  

__author__ = "liuxuejiang"  

import jieba  

import jieba.posseg as pseg  

import os  

import sys  

from sklearn import feature_extraction  

from sklearn.feature_extraction.text import TfidfTransformer  

from sklearn.feature_extraction.text import CountVectorizer  

  

if __name__ == "__main__":  

    corpus=["我 来到 北京 清华大学",#第一类文本切词后的结果，词之间以空格隔开  

        "他 来到 了 网易 杭研 大厦",#第二类文本的切词结果  

        "小明 硕士 毕业 与 中国 科学院",#第三类文本的切词结果  

        "我 爱 北京 天安门"]#第四类文本的切词结果  

    vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频  

    transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值  

    tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))#第一个fit_transform是计算tf-idf，第二个fit_transform是将文本转为词频矩阵  

    word=vectorizer.get_feature_names()#获取词袋模型中的所有词语  

    weight=tfidf.toarray()#将tf-idf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重  

    for i in range(len(weight)):#打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重  

        print u"-------这里输出第",i,u"类文本的词语tf-idf权重------"  

        for j in range(len(word)):  

            print word[j],weight[i][j]  

程序输出：每行格式为：词语  tf-idf权重

[plain] view
plain copy

-------这里输出第 0 类文本的词语tf-idf权重------           #该类对应的原文本是："我来到北京清华大学"  

中国 0.0  

北京 0.52640543361  

大厦 0.0  

天安门 0.0  

小明 0.0  

来到 0.52640543361  

杭研 0.0  

毕业 0.0  

清华大学 0.66767854461  

硕士 0.0  

科学院 0.0  

网易 0.0  

-------这里输出第 1 类文本的词语tf-idf权重------           #该类对应的原文本是： "他来到了网易杭研大厦"  

中国 0.0  

北京 0.0  

大厦 0.525472749264  

天安门 0.0  

小明 0.0  

来到 0.414288751166  

杭研 0.525472749264  

毕业 0.0  

清华大学 0.0  

硕士 0.0  

科学院 0.0  

网易 0.525472749264  

-------这里输出第 2 类文本的词语tf-idf权重------           #该类对应的原文本是： "小明硕士毕业于中国科学院“  

中国 0.4472135955  

北京 0.0  

大厦 0.0  

天安门 0.0  

小明 0.4472135955  

来到 0.0  

杭研 0.0  

毕业 0.4472135955  

清华大学 0.0  

硕士 0.4472135955  

科学院 0.4472135955  

网易 0.0  

-------这里输出第 3 类文本的词语tf-idf权重------            #该类对应的原文本是： "我爱北京天安门"  

中国 0.0  

北京 0.61913029649  

大厦 0.0  

天安门 0.78528827571  

小明 0.0  

来到 0.0  

杭研 0.0  

毕业 0.0  

清华大学 0.0  

硕士 0.0  

科学院 0.0  

网易 0.0  

使用scikit-learn来计算一个简单的词频

CountVectorizer

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

texts=["dog cat fish","dog cat cat","fish bird","bird"]
cv = CountVectorizer()
cv_fit=cv.fit_transform(texts)

print cv.vocabulary_
{u'bird': 0, u'cat': 1, u'dog': 2, u'fish': 3}

cv.vocabulary_

在这种情况下，这是一个dict，其中的键是您找到的单词（功能），值是索引

0,
1, 2, 3，不是词频排序。

您需要使用

cv_fit

对象来获取计数

from sklearn.feature_extraction.text import CountVectorizer

texts=["dog cat fish","dog cat cat","fish bird", 'bird']
cv = CountVectorizer()
cv_fit=cv.fit_transform(texts)

print(cv.get_feature_names())
print(cv_fit.toarray())
#['bird', 'cat', 'dog', 'fish']
#[[0 1 1 1]
# [0 2 1 0]
# [1 0 0 1]
# [1 0 0 0]]

数组中的每一行都是您的原始文档（字符串）之一，每列都是一个特征（单词），该元素是该特定单词和文档的计数。你可以看到，如果你把每列相加，你会得到正确的数字

print(cv_fit.toarray().sum(axis=0))
#[2 3 2 2]

老实说，我建议使用

collections.Counter

或从NLTK的东西，除非你有一些具体的理由使用scikit学习，因为它会更简单。

from collectionsimport
Counter

def build_vocab(sentences):
"""
Builds a vocabulary mapping from word to index based on the sentences.
Returns vocabulary mapping and inverse vocabulary mapping.
"""
# Build vocabulary
word_counts = Counter(itertools.chain(*sentences))
# Mapping from index to word
vocabulary_inv = [x[0] for x in word_counts.most_common()]
# Mapping from word to index
vocabulary = {x: i for i, x in enumerate(vocabulary_inv)}
return [vocabulary, vocabulary_inv]
'''
import collections
sentence = ["i", "love", "mom", "mom", "loves", "me"]
collections.Counter(sentence)
>>> Counter({'i': 1, 'love': 1, 'loves': 1, 'me': 1, 'mom': 2})
'''