4

我有一个包含 5000 条评论的文档。我在该文件上应用了 tf-idf。这里sample_data包含 5000 条评论。我在 sample_data 上应用 tf-idf 矢量化器，范围为一克。现在我想从 sample_data 中获取tf-idf 值最高的前 1000 个单词。谁能告诉我如何获得热门词？

from sklearn.feature_extraction.text import TfidfVectorizer
tf_idf_vect = TfidfVectorizer(ngram_range=(1,1))
tf_idf_vect.fit(sample_data)
final_tf_idf = tf_idf_vect.transform(sample_data)
4

1 回答 1

5

TF-IDF 值取决于单个文档。max_features您可以使用TfidfVectorizer的参数根据计数 (Tf) 获得前 1000 个术语：

max_features : int 或 None，默认=None

If not None, build a vocabulary that only consider the top
max_features ordered by term frequency across the corpus.

做就是了：

tf_idf_vect = TfidfVectorizer(ngram_range=(1,1), max_features=1000)

您甚至可以使用属性从文档的后拟合（学习）中获取'idf'（全局术语权重） ：tf_idf_vectidf_

idf_ ：数组，形状 = [n_features]，或无

  The learned idf vector (global term weights) when use_idf is set to True,

调用后执行此操作tf_idf_vect.fit(sample_data)：

idf = tf_idf_vect.idf_

然后从中选择前 1000 个，并根据这些选定的特征重新拟合数据。

但是您不能通过“ tf-idf ”获得前 1000 名，因为 tf-idf 是tf单个文档中的一个术语与idf（全局）词汇表的乘积。因此，对于在单个文档中出现 2 次的同一个词，其 tf-idf 是在另一个文档中只出现一次的同一个词的两倍。您如何比较同一术语的不同值。希望这可以说清楚。

于 2018-08-02T17:00:27.187 回答