TFIDF练习

 1 """
 2     测试Demo
 3 """
 4 import lightgbm as lgb
 5 import numpy as np
 6 from sklearn.feature_extraction.text import TfidfVectorizer
 7 from sklearn.feature_extraction.text import CountVectorizer
 8 
 9 
10 def use_lgb():
11     # 训练数据，500个样本，10个维度
12     train_data = np.random.rand(500, 10)
13     # 构建二分类数据
14     label = np.random.randint(2, size=500)
15     # 放入到dataset中
16     train = lgb.Dataset(train_data, label=label)
17     print(train)
18 
19 
20 def use_tfidf():
21     sentence = ['没有 你 的 地方 都是 他乡', '没有 你 的 旅行 都是 流浪']
22     # 不去掉停用词
23     c = CountVectorizer(stop_words=None)
24 
25     # 拟合模型返回文本矩阵
26     count_word_tf = c.fit_transform(sentence)
27 
28     # print(count_word_tf.toarray())
29     # # 查看那些词，以字典的形式
30     # print(c.vocabulary_)
31     # # 得到特征
32     # print(c.get_feature_names())
33 
34 
35 ###############################
36     stopword = ['都是']
37     # 构建一个tfidf向量器,去除停用词
38     tfidf = TfidfVectorizer(stop_words=stopword)
39 
40     # 给出tfidf的权重,将tfidf矩阵抽取出来
41     weight = tfidf.fit_transform(sentence).toarray()
42     # 给出特征名称
43     word = tfidf.get_feature_names()
44 
45     print("有哪些词：")
46     print(word)
47 
48     print("\n词汇表以及他们的位置索引：")
49     for key, value in tfidf.vocabulary_.items():
50         print(key, value)
51 
52     print("\n词频矩阵：")
53     print(weight)
54     print(len(weight))
55 
56     # 打印每类文本中的tfidf权重，第一个for变量所有样本，第二个for遍历某一类文档下的所有权重
57     for i in range(len(weight)):
58         print("这里输出的是第{}文本的词语tfidf权重".format(i))
59         for j in range(len(word)):
60             # 经过tfidf后，找出每篇文档相关的词，这些词就是精心挑选出来的。然后根据这些词到文档中去找到tfidf值
61             print(word[j], weight[i][j])
62 
63 
64 if __name__ == '__main__':
65     use_tfidf()

 1 有哪些词：
 2 ['他乡', '地方', '旅行', '没有', '流浪']
 3 
 4 词汇表以及他们的位置索引：
 5 他乡 0
 6 旅行 2
 7 流浪 4
 8 地方 1
 9 没有 3
10 
11 词频矩阵：
12 [[0.6316672  0.6316672  0.         0.44943642 0.        ]
13  [0.         0.         0.6316672  0.44943642 0.6316672 ]]
14 2
15 这里输出的是第0文本的词语tfidf权重
16 他乡 0.6316672017376245
17 地方 0.6316672017376245
18 旅行 0.0
19 没有 0.4494364165239821
20 流浪 0.0
21 这里输出的是第1文本的词语tfidf权重
22 他乡 0.0
23 地方 0.0
24 旅行 0.6316672017376245
25 没有 0.4494364165239821
26 流浪 0.6316672017376245