我有一套维基百科的文本 使用 tf-idf ,我可以定义每个单词的权重。 以上是代码:
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
wiki = pd.read_csv('people_wiki.csv')
tfidf_vectorizer = TfidfVectorizer(max_features= 1000000)
tfidf = tfidf_vectorizer.fit_transform(wiki['text'])
目标是看到 tf-idf 列中显示的权重:
文件' people_wiki.csv'在这里:
答案 0 :(得分:5)
TfidfVectorizer
具有vocabulary_
属性,对您想要的内容非常有用。此属性是字典,其中单词为键,单词具有相应的列索引值。
对于下面的例子,我希望该字典的反转,我使用字典理解。
tfidf_vec = TfidfVectorizer()
transformed = tfidf_vec.fit_transform(raw_documents=['this is a quick example','just to show off'])
index_value={i[1]:i[0] for i in tfidf_vec.vocabulary_.items()}
index_value
将进一步用作查找表。
fit_transform
返回压缩稀疏行格式矩阵。对您要实现的目标有用的属性是indices
和data
。 indices
返回实际包含数据的所有索引,data
返回这些索引中的所有数据。
循环返回的transformed
稀疏矩阵,如下所示。
fully_indexed = []
for row in transformed:
fully_indexed.append({index_value[column]:value for (column,value) in zip(row.indices,row.data)})
返回包含以下内容的词典列表。
[{'example': 0.5, 'is': 0.5, 'quick': 0.5, 'this': 0.5},
{'just': 0.5, 'off': 0.5, 'show': 0.5, 'to': 0.5}]
请注意,这样做只会返回特定文档的非零值。查看我的示例中的第一个文档,字典中没有'just', 0.0
键值对。如果你想包括那些你需要稍微调整一下最后字典理解的那些。
喜欢这样
fully_indexed = []
transformed = np.array(transformed.todense())
for row in transformed:
fully_indexed.append({index_value[column]:value for (column,value) in enumerate(row)})
我们创建一个密集版本的矩阵,作为numpy数组循环在numpy数组的每一行上枚举内容,然后填充字典列表。 这样做会导致输出也包括文档中不存在的所有单词。
[{'example': 0.5,'is': 0.5,'just': 0.0,'off': 0.0,'quick': 0.5,'show': 0.0,'this': 0.5,'to': 0.0},
{'example': 0.0,'is': 0.0,'just': 0.5,'off': 0.5,'quick': 0.0,'show': 0.5,'this': 0.0,'to': 0.5}]
然后,您可以将字典添加到数据框中。
df['tf_idf'] = fully_indexed