TFIDF之python实现
TFIDF介绍
现在有一篇长文《中国的蜜蜂养殖》，用计算机提取它的关键词。
1、词频：如果某个词很重要，它应该在这篇文章中多次出现。我们进行"词频"（Term Frequency，缩写为TF）统计。
2、停用词：结果你肯定猜到了，出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做"停用词"（stop words），表示对找到结果毫无帮助、必须过滤掉的词。
3、IDF :最常见的词（"的"、"是"、"在"）给予最小的权重，
较常见的词（"中国"）给予较小的权重，
较少见的词（"蜜蜂"、"养殖"）给予较大的权重。
这个权重叫做"逆文档频率"（Inverse Document Frequency，缩写为IDF），
它的大小与一个词的常见程度成反比。
4、TF-IDF："词频"（TF）和"逆文档频率"（IDF）以后，两个值相乘，得到了一个词的TF-IDF值。
某个词对文章的重要性越高，它的TF-IDF值就越大。
所以，排在最前面的几个词，就是这篇文章的关键词。
如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性，正是我们所需要的关键词。发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多，因为"中国"是很常见的词，相对而言，"蜜蜂"和"养殖"不那么常见，"蜜蜂"和"养殖"的重要程度要大于"中国"。
具体实现：
1、计算词频
词频（TF） = 某个词在文章中的出现次数，文章有长短之分，为了便于不同文章的比较,做"词频"标准化。
词频（TF） = 某个词在文章中的出现次数 / 文章总词数
或者 词频（TF） = 某个词在文章中的出现次数 / 拥有最高词频的词的次数
2、某个词在文章中的出现次数
这时，需要一个语料库（corpus），用来模拟语言的使用环境。
逆文档频率（IDF） = log（语料库的文档总数/包含该词的文档总数+1）
3、计算TF-IDF
TF-IDF = 词频（TF) * 逆文档频率（IDF）
可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。
所以，自动提取关键词的算法就是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。
从上表可见，"蜜蜂"的TF-IDF值最高，"养殖"其次，"中国"最低。（如果还计算"的"字的TF-IDF，那将是一个极其接近0的值。）
所以，如果只选择一个词，"蜜蜂"就是这篇文章的关键词。
1 import os 2 import codecs 3 import math 4 import operator 5 6 7 def fun(filepath): # 遍历文件夹中的所有文件，返回文件list 8 arr = [] 9 for root, dirs, files in os.walk(filepath): 10 for fn in files: 11 arr.append(root+"\\"+fn) 12 return arr 13 14 15 def wry(txt, path): # 写入txt文件 16 f = codecs.open(path, 'a', 'utf8') 17 f.write(txt) 18 f.close() 19 return path 20 21 22 def read(path): # 读取txt文件，并返回list 23 f = open(path, encoding="utf8") 24 data = [] 25 for line in f.readlines(): 26 data.append(line) 27 return data 28 29 30 def toword(txtlis): # 将一片文章按照‘/’切割成词表，返回list 31 wordlist = [] 32 alltxt = '' 33 for i in txtlis: 34 alltxt = alltxt+str(i) 35 ridenter = alltxt.replace('\n', '') 36 wordlist = ridenter.split('/') 37 return wordlist 38 39 40 def getstopword(path): # 获取停用词表 41 swlis = [] 42 for i in read(path): 43 outsw = str(i).replace('\n', '') 44 swlis.append(outsw) 45 return swlis 46 47 48 def getridofsw(lis, swlist): # 去除文章中的停用词 49 afterswlis = [] 50 for i in lis: 51 if str(i) in swlist: 52 continue 53 else: 54 afterswlis.append(str(i)) 55 return afterswlis 56 57 58 def freqword(wordlis): # 统计词频，并返回字典 59 freword = {} 60 for i in wordlis: 61 if str(i) in freword: 62 count = freword[str(i)] 63 freword[str(i)] = count+1 64 else: 65 freword[str(i)] = 1 66 return freword 67 68 69 def corpus(filelist, swlist): # 建立语料库 70 alllist = [] 71 for i in filelist: 72 afterswlis = getridofsw(toword(read(str(i))), swlist) 73 alllist.append(afterswlis) 74 return alllist 75 76 77 def wordinfilecount(word, corpuslist): # 查出包含该词的文档数 78 count = 0 # 计数器 79 for i in corpuslist: 80 for j in i: 81 if word in set(j): # 只要文档出现该词，这计数器加1，所以这里用集合 82 count = count+1 83 else: 84 continue 85 return count 86 87 88 def tf_idf(wordlis, filelist, corpuslist): # 计算TF-IDF,并返回字典 89 outdic = {} 90 tf = 0 91 idf = 0 92 dic = freqword(wordlis) 93 outlis = [] 94 for i in set(wordlis): 95 tf = dic[str(i)]/len(wordlis) # 计算TF：某个词在文章中出现的次数/文章总词数 96 # 计算IDF：log(语料库的文档总数/(包含该词的文档数+1)) 97 idf = math.log(len(filelist)/(wordinfilecount(str(i), corpuslist)+1)) 98 tfidf = tf*idf # 计算TF-IDF 99 outdic[str(i)] = tfidf 100 orderdic = sorted(outdic.items(), key=operator.itemgetter( 101 1), reverse=True) # 给字典排序 102 return orderdic 103 104 105 def befwry(lis): # 写入预处理，将list转为string 106 outall = '' 107 for i in lis: 108 ech = str(i).replace("('", '').replace("',", '\t').replace(')', '') 109 outall = outall+'\t'+ech+'\n' 110 return outall 111 112 113 def main(): 114 swpath = r'哈工大停用词表.txt'#停用词表路径 115 swlist = getstopword(swpath) # 获取停用词表列表 116 117 filepath = r'corpus' 118 filelist = fun(filepath) # 获取文件列表 119 120 wrypath = r'TFIDF.txt' 121 122 corpuslist = corpus(filelist, swlist) # 建立语料库 123 124 outall = '' 125 126 for i in filelist: 127 afterswlis = getridofsw(toword(read(str(i))), swlist) # 获取每一篇已经去除停用的词表 128 tfidfdic = tf_idf(afterswlis, filelist, corpuslist) # 计算TF-IDF 129 130 titleary = str(i).split('\\') 131 title = str(titleary[-1]).replace('utf8.txt', '') 132 echout = title+'\n'+befwry(tfidfdic) 133 print(title+' is ok!') 134 outall = outall+echout 135 print(wry(outall, wrypath)+' is ok!') 136 137 if __name__ == '__main__': 138 main()
总结：
TF-IDF算法的优点是简单快速，结果比较符合实际情况。
缺点是，单纯以"词频"衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不多。
而且，这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）
TF-IDF与与余弦相似的应用：找相似文章
除了找到关键词，还希望找到与原文章相似的其他文章
需要用到余弦相似性：
句子A：我喜欢看电视，不喜欢看电影
句子B：我不喜欢看电视，也不喜欢看电影
基本思路是：如果这两句话的用词越相似，它们的内容就应该越相似。因此，可以从词频入手，计算它们的相似程度。
1、分词
句子A：我/喜欢/看/电视，不/喜欢/看/电影。
句子B：我/不/喜欢/看/电视，也/不/喜欢/看/电影。
2、列出所有值
我，喜欢，看，电视，电影，不，也。
3、计算词频
句子A：我 1，喜欢 2，看 2，电视 1，电影 1，不 1，也 0。
句子B：我 1，喜欢 2，看 2，电视 1，电影 1，不 2，也 1
4、写出词频向量。
句子A：[1, 2, 2, 1, 1, 1, 0]
句子B：[1, 2, 2, 1, 1, 2, 1]
我们可以通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。假定a向量是[x1, y1]，b向量是[x2, y2]，那么可以将余弦定理改写成下面的形式
结论：
我们就得到了"找出相似文章"的一种算法：
- 使用TF-IDF算法，找出两篇文章的关键词
- 每篇文章各取出若干个关键词（比如20个），合并成一个集合，计算每篇文章对于这个集合中的词的词频（为了避免文章长度的差异，可以使用相对词频）；
- 生成两篇文章各自的词频向量
- 计算两个向量的余弦相似度，值越大就表示越相似
计算两个向量的余弦相似度，值越大就表示越相似
如何通过词频，对文章进行自动摘要
信息都包含在句子中，有些句子包含的信息多，有些句子包含的信息少。"自动摘要"就是要找出那些包含信息最多的句子。
句子的信息量用"关键词"来衡量。如果包含的关键词越多，就说明这个句子越重要。
Luhn提出用"簇"（cluster）表示关键词的聚集。所谓"簇"就是包含多个关键词的句子片段。
只要关键词之间的距离小于"门槛值"，它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说，如果两个关键词之间有5个以上的其他词，就可以把这两个关键词分在两个簇。
簇的重要性 = (包含的关键词数量)^2 / 簇的长度。其中的簇一共有7个词，其中4个是关键词。因此，它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。
然后，找出包含分值最高的簇的句子（比如5句），把它们合在一起，就构成了这篇文章的自动摘要
文章来自于：
谢谢作者！！！
