Python的scikit-learn包下有计算tf-idf的api，研究了下做个笔记
1 安装scikit-learn包
- sudo pip install scikit-learn
- sudo pip install jieba
3 关于jieba分词的使用非常简单，参考 这里 ，关键的语句就是(这里简单试水，不追求效果4 )
- import jieba.posseg as pseg
- words=pseg.cut("对这句话进行分词")
- for key in words:
- print key.word,key.flag
对 p
这 r
句 q
话 n
进行 v
分词 n
4 采用scikit-learn包进行tf-idf分词权重计算关键用到了两个类：CountVectorizer和TfidfTransformer，具体参见这里
一个简单的代码如下:
- # coding:utf-8
- __author__ = "liuxuejiang"
- import jieba
- import jieba.posseg as pseg
- import os
- import sys
- from sklearn import feature_extraction
- from sklearn.feature_extraction.text import TfidfTransformer
- from sklearn.feature_extraction.text import CountVectorizer
- if __name__ == "__main__":
- corpus=["我 来到 北京 清华大学",#第一类文本切词后的结果，词之间以空格隔开
- "他 来到 了 网易 杭研 大厦",#第二类文本的切词结果
- "小明 硕士 毕业 与 中国 科学院",#第三类文本的切词结果
- "我 爱 北京 天安门"]#第四类文本的切词结果
- vectorizer=CountVectorizer()#该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频
- transformer=TfidfTransformer()#该类会统计每个词语的tf-idf权值
- tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))#第一个fit_transform是计算tf-idf，第二个fit_transform是将文本转为词频矩阵
- word=vectorizer.get_feature_names()#获取词袋模型中的所有词语
- weight=tfidf.toarray()#将tf-idf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重
- for i in range(len(weight)):#打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重
- print u"-------这里输出第",i,u"类文本的词语tf-idf权重------"
- for j in range(len(word)):
- print word[j],weight[i][j]
- -------这里输出第 0 类文本的词语tf-idf权重------ #该类对应的原文本是："我来到北京清华大学"
- 中国 0.0
- 北京 0.52640543361
- 大厦 0.0
- 天安门 0.0
- 小明 0.0
- 来到 0.52640543361
- 杭研 0.0
- 毕业 0.0
- 清华大学 0.66767854461
- 硕士 0.0
- 科学院 0.0
- 网易 0.0
- -------这里输出第 1 类文本的词语tf-idf权重------ #该类对应的原文本是： "他来到了网易杭研大厦"
- 中国 0.0
- 北京 0.0
- 大厦 0.525472749264
- 天安门 0.0
- 小明 0.0
- 来到 0.414288751166
- 杭研 0.525472749264
- 毕业 0.0
- 清华大学 0.0
- 硕士 0.0
- 科学院 0.0
- 网易 0.525472749264
- -------这里输出第 2 类文本的词语tf-idf权重------ #该类对应的原文本是： "小明硕士毕业于中国科学院“
- 中国 0.4472135955
- 北京 0.0
- 大厦 0.0
- 天安门 0.0
- 小明 0.4472135955
- 来到 0.0
- 杭研 0.0
- 毕业 0.4472135955
- 清华大学 0.0
- 硕士 0.4472135955
- 科学院 0.4472135955
- 网易 0.0
- -------这里输出第 3 类文本的词语tf-idf权重------ #该类对应的原文本是： "我爱北京天安门"
- 中国 0.0
- 北京 0.61913029649
- 大厦 0.0
- 天安门 0.78528827571
- 小明 0.0
- 来到 0.0
- 杭研 0.0
- 毕业 0.0
- 清华大学 0.0
- 硕士 0.0
- 科学院 0.0
- 网易 0.0
