对于教程，我想手动实现TfidfVectorizer正在做的事情，只是为了显示后台发生了什么。在Stack Overflow article中，我发现了TfidfVectorizer的工作原理。有了这个，以简单的方式实现它是很简单的，并且使用矢量化器的正确参数设置，输出确实是相同的。一切都好。
但是，现在我有点困惑：TfidfVectorizer使用tf计算频率CountVevtorizer。这意味着tf只是一个整数，表示文档中术语的出现次数。但通常，文档tf(t,d)中术语t的频率d定义为：
tf(t,d) = (#occurrences of t in d) / (#terms in d)
因此术语频率是介于0和1之间的值。
这如何组合在一起？为什么根据定义使用TfidfVectorizer术语计数而不是（标准化）频率。我认为这不是什么大问题，但我会理解它。
答案 0 :(得分：0)
通常，TfidfVectorizer用作下一个构造：
from sklearn.feature_extraction.text import TfidfVectorizer
features = ['1', '2', '3', '4', '5']
data = ['string1', 'string2', 'string3', 'string4', 'string5']
tfidfve = TfidfVectorizer()
tfidfve.fit_transform(data, features)