tf–idf算法解释及其python代码

tf–idf算法python代码实现

这是我写的一个tf-idf的简单实现的代码，我们知道tfidf=tf*idf，所以可以分别计算tf和idf值在相乘，首先我们创建一个简单的语料库，作为例子，只有四句话，每句表示一个文档

  

?

1	copus=['我正在学习计算机','它正在吃饭','我的书还在你那儿','今天不上班']

　　由于中文需要分词，jieba分词是python里面比较好用的分词工具，所以选用jieba分词，文末是jieba的链接。首先对文档进行分词：

  

?

1 2 3 4

import jieba copus=['我正在学习计算机','它正在吃饭','我的书还在你那儿','今天不上班'] copus= [[word for word in jieba.cut(doc)] for doc in copus] print(copus)

　　输出结果：

   

?

1	[['我', '正在', '学习', '计算机'], ['它', '正在', '吃饭'], ['我', '的', '书', '还', '在', '你', '那儿'], ['今天', '不', '上班']]

　　文档变成我们想要的格式了，然后开始词频统计，计算tf值，这里用Counter类来把每篇文档都转换成词和词频的字典，其实就已经得到tf值了

   

?

1 2 3 4

tf = [] for doc in copus: tf.append(Counter(doc)) print(tf)

　　输出结果：

   

?

1	[Counter({'我': 1, '正在': 1, '学习': 1, '计算机': 1}), Counter({'它': 1, '正在': 1, '吃饭': 1}), Counter({'的': 1, '书': 1, '你': 1, '在': 1, '那儿': 1, '我': 1, '还': 1}), Counter({'今天': 1, '不': 1, '上班': 1})]

　　计算idf值

   

?

1 2 3 4 5 6 7 8 9

import math from collections import defaultdict idf = defaultdict(int) for doc in tf:     for word in doc:         idf[word] += 1 for word in idf:     idf[word] = math.log(len(idf)/(idf[word]+1)) print(idf)

　　

  输出结果：

   

?

1

defaultdict(<class 'int'>, {'的': 2.0149030205422647, '正在': 1.6094379124341003, '学习': 2.0149030205422647, '计算机': 2.0149030205422647, '今天': 2.0149030205422647, '书': 2.0149030205422647, '那儿': 2.0149030205422647, '它': 2.0149030205422647, '不': 2.0149030205422647, '在': 2.0149030205422647, '吃饭': 2.0149030205422647, '我': 1.6094379124341003, '你': 2.0149030205422647, '还': 2.0149030205422647, '上班': 2.0149030205422647})

　　

  

剩下的事情就很简单了，只需要把tf和idf相乘就可以了。

下面是一个tfidf的实现代码

   

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

from collections import Counter,defaultdict import jieba import math    def file2list(file):     '''     把文件转换成列表，并对数据进行简单的预处理     '''     with open(file) as f:         corpus = f.readlines()         corpus = [[word.replace('\n','') for word in jieba.cut(line)] for line in corpus if line.strip()]     return corpus #c = file2list('E:\hei.txt') def get_tf(corpus):     return [Counter(doc) for doc in corpus]#用Counter函数把每篇文档转换成词和词频的字典 def get_idf(tf_dict):     idf = defaultdict(int)     for doc in tf_dict:         for word in doc:             idf[word] += 1     for word in idf:         idf[word] = math.log(len(idf)/(idf[word]+1))#idf的公式     return idf    def get_tfidf(doc_id,file):     '''doc_id是语料库中文档的id，file是txt的路径'''     corpus = file2list(file)     tf = get_tf(corpus)     idf = get_idf(tf)     if doc_id > len(tf):         print("doc_id should smaller than %i"%len(tf))     else:         id_tf= tf[doc_id-1]         for word in id_tf:             id_tf[word] = id_tf[word]*idf[word]#计算tfidf值         print(id_tf)