位置: IT常识 - 正文
使用 TF-IDF 算法将文本向量化(tf-idf计算)
编辑：rootadmin推荐整理分享使用 TF-IDF 算法将文本向量化(tf-idf计算)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:tfidf算法改进,tf-idf方法,tf-idf计算,tfidf算法优点,tfidf算法原理,tf-idf例题,tf-idf例题,在tf-idf算法中,tf指,内容如对您有帮助，希望把文章链接给更多的朋友！
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
TF-IDF 算法前言一、TF-IDF 是什么？含义理解：二、算法步骤1.统计每一篇文档中词的出现次数2.计算词频(TF)3.计算逆文档频率(IDF)4.计算TF-IDF总结前言提示：这里可以添加本文要记录的大概内容：
TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse Document Frequency)。
提示：以下是本篇文章正文内容，下面案例可供参考
一、TF-IDF 是什么？TF-IDF 全称为 term frequency–inverse document frequency 算法分为两部分： 词频(TF) 和 逆文档频率(IDF)
1词频(TF) = 某个词在文章中的出现次数 / 文章总词数 2逆文档频率(IDF) = log( 文章总数 / (包含该词的文章数+1))
分成两部分理解的话就是，一个词的词频越高说明它越重要，逆文档频率越高说明它越普遍，越普遍则代表性越差。所以，词频与最终的权重呈正比，逆文档频率与最终的权重呈反比。
在使用 TF-IDF 算法之前，需要先对文本进行预处理，如分词、去除停用词。在运算之前，需要先统计每篇文章中的每个词语出现的次数。
含义理解：就将下面三张图，用代码表示出来
二、算法步骤1.统计每一篇文档中词的出现次数docList 是一个列表，包含整份数据(包含多篇文章)的信息；其中，列表的元素是字典类型，即列表包含多个字典元素，其中字典的结构为 词语:出现次数 ，所以，每个列表储存着一篇文章中词语出现次数的信息
def countWord(doc): 2 ''' 3 依次对所有文章进行统计，统计每篇文章中每个词的出现次数 4 doc: list 列表中一个元素为一篇文章的文本数据，str类型，空格间隔，含换行符 5 ''' 6 docList = [] 7 for item in doc: 8 wordDic = {} 9 wordList = item.strip().split() #将字符串转换成列表，一个元素一个词10 for word in wordList:11 wordDic[word] = wordDic.setdefault(word, 0)+112 docList.append(wordDic)13 return docList2.计算词频(TF)词频(TF) = 某个词在文章中的出现次数 / 文章总词数
1例如： 2文章一：‘图书’: 34, ‘评论’: 12, ‘重视’: 2 3文章二：‘评论’: 7, ‘活动’: 4, ‘出版’: 5 4文章三：‘导致’: 2, ‘图书’: 12, ‘评论’: 9 5 6则 词频(TF) 为： 7文章一：‘图书’: 34/(34+12+2), ‘评论’: 12/(34+12+2), ‘重视’: 2/(34+12+2) 8文章二：‘评论’: 7/(7+4+5), ‘活动’: 4/(7+4+5), ‘出版’: 5/(7+4+5) 9文章三：‘导致’: 2/(2+12+9), ‘图书’: 12/(2+12+9), ‘评论’: 9/(2+12+9)
1def computeTF(wordDic): 2 ''' 3 计算一篇文章中每个词的词频 4 wordDic: dict 为 docList 的元素 5 ''' 6 #计算 total 7 total = sum(wordDic.values()) 8 #计算词频 9 tfDic = {}10 for word, value in wordDic.items():11 tfDic[word] = value / total1213 return tfDic14 TF = [] #所有文章的词频15 for wordDic in docList:TF.append(computeTF(wordDic))3.计算逆文档频率(IDF)计算逆文档频率(IDF)
例如： 2文章一：‘图书’: 34, ‘评论’: 12, ‘重视’: 2 3文章二：‘评论’: 7, ‘活动’: 4, ‘出版’: 5 4文章三：‘导致’: 2, ‘图书’: 12, ‘评论’: 9 5 6则 逆文档频率(IDF) 为： 7’图书’: log(3/(2+1)), ‘评论’: log(3/(3+1)), ‘重视’: log(3/(1+1)), ‘活动’: log(3/(1+1)), ‘出版’: log(3/(1+1)), ‘导致’: log(3/(1+1)) 8 9针对 ‘评论’: log(3/(3+1)) 这个数据： 10分子 3 是一共有三篇文章；分母 3 是其中有三篇文章包含了词语 ‘评论’；分母 1 是防止分母为 0 的一种做法，如果能保证分母不为 0，此处不加一也无妨。
def computeIDF(docList): 2 ''' 3 计算每个词的逆文档频率 4 docList: list 5 ''' 6 #计算 total 7 total = len(docList) 8 #计算逆文档频率 9 idfDic = {}10 for wordDic in docList:11 for word, value in wordDic.items():12 if value > 0:13 idfDic[word] = idfDic.setdefault(word, 0)+114 for word, value in idfDic.items():15 idfDic[word] = math.log(total/value+1) #要先引入 math 库1617 return idfDic4.计算TF-IDFTF-IDF = 词频(TF) * 逆文档频率(IDF)
对于每篇文章，将文章中的每个词对应的词频和逆文档频率相乘，结果就是 TF-IDF 的值
TF_IDF = []for i in TF: s = [] for j in i.keys(): if j in IDF.keys(): s.append({j:i[j]*IDF[j]}) TF_IDF.append(s)TF_IDF总结相关参考链接： TF-IDF算法介绍及实现 TF-IDF算法详解 百度百科——tf-idf
上一篇：如何在vscode里面快速运行html代码（包含如何在vscode里面编写html代码）(vscode nasm)
