我发现this post中的代码非常有用。 （我会在该帖子中添加评论，但我需要50个声望点。）
我在上面的帖子中使用了相同的代码，但添加了一个用于调试我自己的群集代码的测试文档。由于某种原因，两个群集中出现1个文档中的单词。
代码是：
更新：我在下面的文档中添加了“唯一句子”。
documents = ["I ran yesterday.",
"The sun was hot.",
"I ran yesterday in the hot and humid sun.",
"Yesterday the sun was hot.",
"Yesterday I ran in the hot sun.",
"Unique sentence." ]
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(documents)
#cluster documents
true_k = 2
model = KMeans(n_clusters=true_k, init='k-means++', max_iter=100, n_init=1)
model.fit(X)
#print top terms per cluster clusters
print("Top terms per cluster:")
order_centroids = model.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
for i in range(true_k):
print ("Cluster %d:" % i,)
for ind in order_centroids[i, :10]:
print(' %s' % terms[ind])
print
我收到的输出是：
更新：我更新了下面的输出，以反映上面的“唯一句子”。
群集0： 太阳 热 昨天 跑 湿 独特 句子 群集1： 独特 句子 昨天 太阳 跑 湿 热
你会注意到，“潮湿”在两个群集中都显示为顶级术语，即使它仅在上述文档的一行中。我希望在这种情况下，一个独特的词，如“潮湿”，只是其中一个群集中的顶级词汇。
谢谢！
答案 0 :(得分：4)
TF * IDF告诉您特定文档（在本例中为行）的单词（在本例中为列）的代表性。代表我的意思是：一个单词经常出现在一个文档中，但在其他文档中并不常见。 TF * IDF值越高，该单词代表特定文档的次数越多。
现在让我们开始了解您实际使用的值。从sklearn的kmeans中，您可以使用返回变量 cluster_centers 。这为每个单词提供了每个簇的坐标，它们是TF * IDF权重的数组。重要的是要注意，这些只是字频的一些抽象形式，不再涉及特定文档。接下来，numpy.argsort（）为您提供了对数组进行排序的索引，从最低TF * IDF值的索引开始。所以在那之后你用[：，:: - 1]反转它的顺序。现在，您可以在开头找到该群集中心最具代表性的单词的索引。
现在，让我们再谈谈k-means。 k-means随机初始化它的k-cluster中心。然后将每个文档分配给一个中心，然后重新计算聚类中心。重复这一过程，直到满足最小化文档与其最近中心之间的平方距离之和的优化标准。这对您来说意味着每个群集维度很可能由于随机初始化而不具有TF * IDF值0。此外，只要满足优化标准，k-means就会停止。因此，中心的TF * IDF值意味着分配给其他群集的文档的TF * IDF更接近该中心而不是其他群集中心。
另外一点是使用 order_centroids [i，：10] ，打印每个群集的10个最具代表性的单词，但由于您总共只有5个单词，因此将打印所有单词无论哪种方式都是以不同的顺序。
我希望这有帮助。顺便说一句，k-means并不能保证你找到全局最优并且可能会陷入局部最优，这就是为什么它通常用不同的随机起点多次运行。
答案 1 :(得分：1)
不一定。你正在使用的代码创建了你的语料库中的词袋（不包括停用词）的向量空间（我忽略了tf-idf加权。）。查看您的文档，您的向量空间大小为5，单词数组就像（忽略顺序）：
word_vec_space = [yesterday, ran, sun, hot, humid]
为每个文档分配一个数字向量，其中是否包含＆＃39; word_vec_space＆＃39;中的单词。
"I ran yesterday." -> [1,1,0,0,0]
"The sun was hot." -> [0,0,1,1,0]
...
执行k均值聚类时，您可以在向量空间中选择k个起始点，并允许这些点移动以优化聚类。最后，两个聚类质心都包含'humid'的非零值。这是因为包含'humid'的一个句子也有'sun'，'hot'和'yesterday'。
答案 2 :(得分：1)
为什么群集有不同的顶级术语？
考虑到聚类工作（通常不会 - 小心），你会认为这些聚类是坏还是好：
如果我能得到这样的集群，我会很高兴（因为我会相信我看到了一个错误，因为这些太过于神的结果。文本聚类总是与非工作无关）。
对于文字群集，词汇组合很多，而不仅仅是单词。苹果水果和苹果电脑不一样。