• ## python计算tfidf

千次阅读 2016-08-16 21:28:43
本例来自mining social web from math import log # XXX: Enter in a query term from the corpus variable QUERY_TERMS = ['mr.', 'green'] def tf(term, doc, normalize=True): doc = doc.lower().split()
本例来自mining social web
from math import log

# XXX: Enter in a query term from the corpus variable
QUERY_TERMS = ['mr.', 'green']

def tf(term, doc, normalize=True):
doc = doc.lower().split()
if normalize:
return doc.count(term.lower()) / float(len(doc))
else:
return doc.count(term.lower()) / 1.0

def idf(term, corpus):
num_texts_with_term = len([True for text in corpus if term.lower()
in text.lower().split()])

# tf-idf calc involves multiplying against a tf value less than 0, so it's
# necessary to return a value greater than 1 for consistent scoring.
# (Multiplying two values less than 1 returns a value less than each of
# them.)

try:
return 1.0 + log(float(len(corpus)) / num_texts_with_term)
except ZeroDivisionError:
return 1.0

def tf_idf(term, doc, corpus):
return tf(term, doc) * idf(term, corpus)

corpus = \
{'a': 'Mr. Green killed Colonel Mustard in the study with the candlestick. \
Mr. Green is not a very nice fellow.',
'b': 'Professor Plum has a green plant in his study.',
'c': "Miss Scarlett watered Professor Plum's green plant while he was away \
from his office last week."}

for (k, v) in sorted(corpus.items()):
print k, ':', v
print

# Score queries by calculating cumulative tf_idf score for each term in query

query_scores = {'a': 0, 'b': 0, 'c': 0}
for term in [t.lower() for t in QUERY_TERMS]:
for doc in sorted(corpus):
print 'TF(%s): %s' % (doc, term), tf(term, corpus[doc])
print 'IDF: %s' % (term, ), idf(term, corpus.values())
print

for doc in sorted(corpus):
score = tf_idf(term, corpus[doc], corpus.values())
print 'TF-IDF(%s): %s' % (doc, term), score
query_scores[doc] += score
print

print "Overall TF-IDF scores for query '%s'" % (' '.join(QUERY_TERMS), )
for (doc, score) in sorted(query_scores.items()):
print doc, score
展开全文
• 利用python 计算文档的tfidf，步骤大概如下： 读入文档，对文档进行分词，每一段为一个字符串，分词用空格隔开，读入文档是一个长度为该文档段数的列表。 利用vectorizer生成词频矩阵X ， 再利用tfidftransformer ...
利用python 计算文档的tfidf，步骤大概如下：

读入文档，对文档进行分词，每一段为一个字符串，分词用空格隔开，读入文档是一个长度为该文档段数的列表。

利用vectorizer生成词频矩阵X ， 再利用tfidftransformer 生成tfidf矩阵。

代码如下：

import jieba
import numpy as np
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer

text = """
由张一山与唐艺昕主演的新版《鹿鼎记》备受争议，魔改的剧情和夸张的演技让人无法直视。作为主演的张一山承受了大部分观众的炮火，受尽无数吐槽。而在剧中扮演韦小宝老婆之一苏荃的朱珠却在采访中直面差评、硬刚网友，为张一山洗白。

尽管大家已经做好了翻拍不如原版的准备，然而还是没有想到这一版本《鹿鼎记》会如此不尽人意，开播前有多受网友期待，开播后就让人感到有多失望。

张一山版《鹿鼎记》在经历了剧情魔改、演员演技浮夸这一系列重创后，最终评分惨不忍睹。

原以为有“戏骨”张一山坐镇扛剧，这部剧再差也不会差到哪里去，谁曾想整部剧最大的槽点就是张一山本人。

过于浮夸的演技，油腻做作的肢体语言，被网友称为“猴式演技”，还有网友无情吐槽张一山“像被鞭子抽了三年的心酸小瘦猴在努力假装快乐活泼”。

而朱珠在剧中扮演的则是韦小宝的御姐老婆苏荃，性格大气沉稳、临危不惧。朱珠所饰演的苏荃其实也并没有让人眼前一亮，演技总体来说还是有些流于表面，没有让整部剧口碑力挽狂澜。

或许是戏份不多的原因，朱珠在这部戏中并没有被过多讨论，网友的炮火主要还是集中在主演张一山身上。不过朱珠参演的另外一部剧《大秦赋》也同样备受争议，并且戏份过多的朱珠还受到不少吐槽。

《大秦赋》这部剧算是高开低走的典型，集结了张鲁一、段奕宏、邬君梅等演技派的历史大剧，是网友们相当期待的一部剧，朱珠在剧中扮演的是一代美人赵姬。

作为秦始皇嬴政的生母，赵姬戏份过于拖沓，与嫪毐的情爱纠葛缠绵不断，被网友吐槽将《大秦赋》演成了《大情妇》或者是《嫪毐传》。

赵姬这个角色若是演好了定能圈大波粉丝，不过朱珠却将其演绎成了只会傻笑的“傻白甜”，美则美矣，然而没有了灵魂。

这边朱珠自己已经受到吐槽不断，受访时还是为旧搭档张一山发声，与给出差评的观众正面刚。

朱珠表示张一山虽然看起来古灵精怪，其实是非常成熟并且大男人的一个人，心里也是非常有数。
"""

word_list = text.split("\n")
word_list
new_word_list = [i for i in word_list if i != ""]
new_word_list

corpus = [" ".join(jieba.cut(w)) for w in new_word_list]
corpus

vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
word = vectorizer.get_feature_names()
word
freq = X.toarray()
freq

transformer = TfidfTransformer()
tfidf = transformer.fit_transform(X)

tfidf.toarray()


展开全文
• # **最后是实际计算商品间相似度的程序三，这个用LSI模型来比对的话，2k行要跑四五十分钟，但我的数据量有50w。用tfidf模型来算直接报memory error 不给跑**  Python # -*- coding: utf-8 -*- import logging,...
• 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 ...
这篇博客写的不错，故转载一下，记录也学习：

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
23     f = open(path, encoding="utf8")
24     data = []
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 = []
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:
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

转载于：  https://www.cnblogs.com/wang2825/articles/8974494.html

展开全文
• 本文主要参考https://stackoverflow.com/questions/12118720/python-tf-idf-cosine-to-find-document-similaritStackOverflow的...cosine_similarity就是计算L2归一化的向量点乘。如果x,y是行向量，它们的cosine sim...
本文主要参考https://stackoverflow.com/questions/12118720/python-tf-idf-cosine-to-find-document-similaritStackOverflow的回答
主要是使用sklearn的TfidfTransformer
cosine_similarity就是计算L2归一化的向量点乘。如果x,y是行向量，它们的cosine similarityk是：

linear_kernel 是多项式核的特例，如果x,和y是列向量，他们的线性核为：

fit &fit_tansform & transform

fit是一个适配的过程，用于train，得到一个统一的转换的规则的模型；
transform：将数据进行转换，比如测试数据按照训练数据同样的模型进行转换，得到特征向量；
fit_tansform:将上述两个合并起来，fit to data,then transform it.  如果训练阶段用的是fit_transform，在测试阶段只需要transform就行

也就是一般训练的时候用fit_transform(train_data)
在测试的时候用transform(test_data)
回答一
如果你想提取count features并应用TF-IDFnormalizaition以及行基础的欧式距离，用一个操作就行：
TFidfVectorizor
>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> from sklearn.datasets import fetch_20newsgroups
>>> twenty = fetch_20newsgroups()

>>> tfidf = TfidfVectorizer().fit_transform(twenty.data)
>>> tfidf
<11314x130088 sparse matrix of type '<type 'numpy.float64'>'
with 1787553 stored elements in Compressed Sparse Row format>

现在要求一个文档（如第一句）同其他所有文档的距离，只需要计算第一个向量和其他所有向量的点乘，因为tfidf向量已经row-normalized
cos距离并不考虑向量的大小（也就是绝对值），Row-normalised（行标准化）向量大小为1，所以Linear Kernel足够计算相似值。
scipy sparse matrix查看第一个向量：
>>> tfidf[0:1]
<1x130088 sparse matrix of type '<type 'numpy.float64'>'
with 89 stored elements in Compressed Sparse Row format>

scikit-learn已经提供了pairwise metrics，稀疏的不稀疏的矩阵表示。这里我们需要点乘操作，也叫linear kernel:
>>> from sklearn.metrics.pairwise import linear_kernel
>>> cosine_similarities = linear_kernel(tfidf[0:1], tfidf).flatten()
>>> cosine_similarities
array([ 1.        ,  0.04405952,  0.11016969, ...,  0.04433602,
0.04457106,  0.03293218])


这里插播一下，linear_kernel的输入是(NT)和（MT）的向量，输出（N*M）的向量

因此，要找5个最接近的相关文档，只需要用argsort切片取就行了：
>>> related_docs_indices = cosine_similarities.argsort()[:-5:-1]
>>> related_docs_indices
array([    0,   958, 10576,  3277])
>>> cosine_similarities[related_docs_indices]
array([ 1.        ,  0.54967926,  0.32902194,  0.2825788 ])

第一个结果用于检查，这是query本身，相似度为1
在这个例子里，learn_kernel就相当于cos similarity，因为sklearn.feature_extraction.text.TfidfVectorizer本身得到的就是归一化后的向量，这样cosine_similarity就相当于linear_kernel
回答2
是个手动计算的方法
循环计算test_data与train_data的特征间的cosine 距离
首先用简单的lambda函数表示cosine距离的计算：
cx = lambda a, b : round(np.inner(a, b)/(LA.norm(a)*LA.norm(b)), 3)

然后就只要for循环就行
for vector in trainVectorizerArray:
print vector
for testV in testVectorizerArray:
print testV
cosine = cx(vector, testV)
print cosine

回答3
跟回答1一样，不过直接用cosine_similarity
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.feature_extraction.text import TfidfVectorizer
print "cosine scores ==> ",cosine_similarity(tfidf_matrix_train[0:1], tfidf_matrix_train)  #here the first element of tfidf_matrix_train is matched with other elements


`
展开全文
• 5、计算tfidf TFIDF=tF* iDF tFIDF_DF =pandas.DataFrame(TFIDF) 6、将每个文本中tfidf值排名前100的词和相应的tfidf值输出 file= [] for root ,dirs,files in os.walk(r ' H:\19113117 - 副本 ' ):...
• 因为在R或者python中写起tfidf来还是很方便的，直接调个包，或者直接写都很快，但在sql中写起来有点慢，比较冗长，也有可能我写的不多。。下面分tfidf的 理论部分 sql操作 来介绍本文： tfidf给我直观的感觉就是...
• ## python+jieba+tfidf算法 文本相似度

万次阅读 多人点赞 2018-05-16 20:57:28
gensim库，利用TFIDF算法来进行文本相似度计算，通过利用gensim库的corpora，models，similarities处理后续。基本思路：jieba进行分词，整理为指定格式-&gt;gensim库将要对比的文档通过doc2bow转化为稀疏向量-&...
• python代码： # -*- coding: utf-8 -*- from gensim import corpora, models, similarities import logging from collections import defaultdict logging.basicConfig(format='%(asctime)s : %(levelname)s : %...
• 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...
• 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...
• 这篇文章主要是讲述如何通过LDA处理文本内容TXT，并计算其文档主题分布，主要是核心代码为主和运行效果图形。希望文章对你有所帮助吧尤其是初学者~哎！最后感叹下时光吧，仅以此诗纪念这三年写博客的坚持和北理工的...
• 2.1计算TFIDF值之前的前期处理 import re import os import sys import codecs import jieba stopw = [line.strip().decode(‘utf-8’) for line in open(u’F:/自然语言处理/stops.txt’).readlines()]...
• ## TFIDF

2019-09-14 16:25:20
TFIDF python 实战 1.TFIDF算法原理 TFIDF (term frequency - inverse document frequency) 主要思想：如果某个词或者短语在一篇文章中出现的频率TF较高，而且在其他文章中出现的频率较少，则认为此词或短语具有很...
• 使用sklean的计算方法，这种结果是稠密矩阵，如果数据集太大，...tfidf详细计算参考：https://blog.csdn.net/Eastmount/article/details/50323063 import jieba import jieba.posseg as pseg import os import ...
• tfidf模型与lsi模型 参考:https://www.jianshu.com/p/edf666d3995f
• 3.scikit-learn对文本内容进行tfidf计算并构造N*M矩阵(N个文档 M个特征词)； 4.再使用K-means进行文本聚类(省略特征词过来降维过程); 5.最后对聚类的结果进行简单的文本处理，按类簇归类，也可以计算P/R/F特征值...
• 3.查询 计算哪个index的tfidf之和最大，实现搜索功能 实现代码 封装成搜索类 logging.basicConfig(format="%(asctime)s %(name)s:%(levelname)s:%(message)s", datefmt="%d-%M-%Y %H:%M:%S", l

python 订阅