Python tf idf算法

Question

我想在一组文档中找到最相关的词。

我想在 3 个文档和 return 包含每个单词及其频率的 csv 文件上调用 Tf Idf 算法。

以后我只取高数的，我会用。

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。但该代码存在一个巨大的问题：它在分析单词时犯了很多错误。它混合了一些词，' 和 - 有问题（我认为）。我在 3 本书（哈利波特）的文本上使用它，例如，我在 csv 文件中获取 hermiones, hermionell, riddlehermione, thinghermione 而不是 hermione 之类的词。

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 python 库可以做到这一点？

Answer 1

这里是使用 scikit-learn 实现 Tf-idf 算法。在应用它之前，你可以word_tokenize() and stem你的话。

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

Python Tf idf algorithm

python

tf-idf

words

word-embedding