Question

我想在一组文件中找到最相关的词语。

我想在3个文档中调用Tf Idf算法并返回包含每个单词及其频率的csv文件。

在那之后，我将只采用数量较多的那些，我将使用它们。

我发现这个实现可以满足我的需要https://github.com/mccurdyc/tf-idf/。

我使用subprocess库调用该jar。但是代码中存在一个很大的问题：它在分析单词时犯了很多错误。它混合了一些单词，它与'和-（我认为）有问题。我在3本书（哈利波特）的文本中使用它，例如，我在csv文件中获得了hermiones, hermionell, riddlehermione, thinghermione而不仅仅是hermione的单词。

我做错了什么吗？你能给我一个Tf idf算法的工作实现吗？是否有一个python库可以做到这一点？

Answer 1

以下是使用scikit-learn的Tf-idf算法的实现。在应用之前，您可以word_tokenize()和stem发言。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from nltk import word_tokenize
from nltk.stem.porter import PorterStemmer

def tokenize(text):
    tokens = word_tokenize(text)
    stems = []
    for item in tokens: stems.append(PorterStemmer().stem(item))
    return stems

# your corpus
text = ["This is your first text book", "This is the third text for analysis", "This is another text"]
# word tokenize and stem
text = [" ".join(tokenize(txt.lower())) for txt in text]
vectorizer = TfidfVectorizer()
matrix = vectorizer.fit_transform(text).todense()
# transform the matrix to a pandas df
matrix = pd.DataFrame(matrix, columns=vectorizer.get_feature_names())
# sum over each document (axis=0)
top_words = matrix.sum(axis=0).sort_values(ascending=False)

Python Tf idf算法

1 个答案: