使用 TF-IDF 算法将文本向量化

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

---

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)+1
12        docList.append(wordDic)
13    return docList
1
2
3
4
5
6
7
8
9
10
11
12
13

2.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 / total
12
13    return tfDic
14 TF = [] #所有文章的词频
15 for wordDic in docList:
		TF.append(computeTF(wordDic))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

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)+1
14    for word, value in idfDic.items():
15        idfDic[word] = math.log(total/value+1)  #要先引入 math 库
16
17    return idfDic
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

4.计算TF-IDF

TF-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
1
2
3
4
5
6
7
8

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