TF-IDF Vectorizer 学习

深入理解tf-idf矢量化算法

TF-IDF是Term Frequency Inverse Document Frequency的缩写，是一个将文本转换为数字表示的常用算法，是词袋法的典型代表，常用于信息检索和文本挖掘，反映了一个字词对于一个语料库中的一份文件的重要程度。简单来说，一个词在一篇文章中出现的次数越多，同时在所有文章中出现的次数越少，那么这个词就越能代表这篇文章。它使用统计的方法将文本转化为有意义的稀疏矩阵。

给出以下训练样本和测试样本：

训练样本集：
d1: The sky is blue.
d2: The sun is bright.
测试样本集：
d3: The sun in the sky is bright.
d4: We can see the shining sun, the bright sun.

使用Python代码查看转化为数字后的向量表示：

# TfidfVectorizer 
# CountVectorizer
​
from sklearn.feature_extraction.text import TfidfVectorizer,CountVectorizer
import pandas as pd
​
# 文本集合
​
train = ['The sky is blue.','The sun is bright.']
test = ['The sun in the sky is bright', 'We can see the shining sun, the bright sun.']
​
# 实例化vectorizer对象
​
countvectorizer = CountVectorizer(analyzer= 'word', stop_words='english')
tfidfvectorizer = TfidfVectorizer(analyzer='word',stop_words= 'english'，use_idf=True, norm='l2') 
# l2范数归一化(默认)，use_idf=False时仅输出对应的tf值
​
# 文本转化为矩阵
​
count_wm = countvectorizer.fit_transform(train)
tfidf_wm = tfidfvectorizer.fit_transform(train)
​
# 获得对应的特征名字以dataframe形式输出
​
count_tokens = countvectorizer.get_feature_names()
tfidf_tokens = tfidfvectorizer.get_feature_names()
df_countvect = pd.DataFrame(data = count_wm.toarray(),index = ['Doc1','Doc2'],columns = count_tokens)
df_tfidfvect = pd.DataFrame(data = tfidf_wm.toarray(),index = ['Doc1','Doc2'],columns = tfidf_tokens)
​
print("Count Vectorizer\n")
print(df_countvect)
print("\nTD-IDF Vectorizer\n")
print(df_tfidfvect)

输出：

教科书上的计算公式如下：

实际上sklearn不是这么计算tf-idf值的(算了很久很久才知道)：

首先，sklearn中的tf只有分子上的​，而没有上面公式的分母​。也就是说sklearn中的tf只是数了一个词在一篇文档中出现的次数，并没有除以该文档的总词数（当计算tf-idf的时候）。

其次，sklearn中的idf是

，其中分子是总文档数量，分母是含有该词的文档数量，默认分子分母都加1进行平滑处理。最后面的1，是先计算对数再加1，而不是先加1再计算对数。这里的对数是自然对数​。

这一步结束后会得到一个原始tf-idf值​，然后sklearn会进行一个​范数归一化：

上述式子中每个分量对应每个特征的tf-idf值。

下面在测试集上来验证一下：

test = ['The sun in the sky is bright',
        'We can see the shining sun, the bright sun.']

比如上图中Doc2中的sun ​：

 

结束。