如何解决如何使用 TfIdfVectorizer 查找重要单词?
考虑下面的例子。代表文件的重要词是“Bob”和“Sara”。但是使用 max_features
,输出往往会显示频繁的单词。当语料库很大时,这会变得更糟。怎么才能只得到重要的词?
from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd
corpus = [
'hi,my name is Bob.','hi,my name is Sara.'
]
vectorizer = TfidfVectorizer(max_features=2)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X,columns=vectorizer.get_feature_names())
输出:
,hi,is
0,0.7071067811865475,0.7071067811865475
1,0.7071067811865475
解决方法
如果增加 max_features:
vectorizer = TfidfVectorizer(max_features=10)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X,columns=vectorizer.get_feature_names())
print(df)
bob hi is my name sara
0 0.574962 0.40909 0.40909 0.40909 0.40909 0.000000
1 0.000000 0.40909 0.40909 0.40909 0.40909 0.574962
你可以看到 sara 和 bob 真的很重要,因为 tfidf 对于那些更高而对于另一个更小且相等,因为在两个句子中重复是有道理的。
请注意 here 中的内容。如max_features
:
“如果不是 None,则构建一个仅考虑按语料库中的词频排序的最高 max_features 的词汇表。”所以它可能会像前一种情况一样删除更有用的词。
也许您可能对选项 max_df
或 min_df
更感兴趣:
vectorizer = TfidfVectorizer(max_df=0.5)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X,columns=vectorizer.get_feature_names())
print(df)
bob sara
0 1.0 0.0
1 0.0 1.0
也许最好尝试不同的方法,直到您了解正在发生的事情。
从另一个角度来看,删除一些停用词也不错。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。