TfidfVectorizer 给予停用词高权重

Question

给定以下代码：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
import urllib.request  # the lib that handles the url stuff
from bs4 import BeautifulSoup
import unicodedata

def remove_control_characters(s):
    base = ""
    for ch in s:
        if unicodedata.category(ch)[0]!="C":
            base = base + ch.lower()
        else:
            base = base + " "
    return base 

moby_dick_url='http://www.gutenberg.org/files/2701/2701-0.txt'

soul_of_japan = 'http://www.gutenberg.org/files/12096/12096-0.txt'

def extract_body(url):
    with urllib.request.urlopen(url) as s:
        data = BeautifulSoup(s).body()[0].string
        stripped = remove_control_characters(data)
        return stripped

moby = extract_body(moby_dick_url)    
bushido = extract_body(soul_of_japan)

corpus = [moby,bushido]

vectorizer = TfidfVectorizer(use_idf=False, smooth_idf=True)
tf_idf = vectorizer.fit_transform(corpus)
df_tfidf = pd.DataFrame(tf_idf.toarray(), columns=vectorizer.get_feature_names(), index=["Moby", "Bushido"])
df_tfidf[["the", "whale"]]

我希望 "whale" 在 "Moby Dick" 中获得相对较高的 tf-idf，但在 "Bushido: The Soul of Japan" 中获得较低的分数，并且 "the" 获得两者得分都低。然而，我却恰恰相反。计算的结果是：

|       |     the   | whale    |
|-------|-----------|----------|
|Moby   | 0.707171  | 0.083146 |
|Bushido| 0.650069  | 0.000000 |

这对我来说毫无意义。谁能指出我在思考或编码方面的错误？

Answer 1

您观察到这一点有两个原因。

首先是因为您传递给 Tfidf Vectorizer 的参数。你应该做 TfidfVectorizer(use_idf=True, ...)，因为它是 tfidf 的 idf 部分（记住 tf-idf 是词频和逆文档频率的乘积）会惩罚出现在所有文档中的单词。通过设置 TfidfVectorizer(use_idf=False, ..)，你只是在考虑术语频率部分，这显然会导致停用词具有更大的分数
第二个是因为你的数据。假设你修复了上面的代码问题，你的语料库还是非常非常小，只有两个文档。这意味着出现在两本书中的任何单词都会以同样的方式受到惩罚。 "courage" 可能会出现在两本书中，就像 "the" 一样，因此如果它们都出现在您语料库的每个文档中，它们的 idf 值将相同，导致停用词再次具有更大的分数，因为他们较大的词频

TfidfVectorizer 给予停用词高权重

TfidfVectorizer gives high weight to stop words

python

tf-idf

scikit-learn

tfidfvectorizer