TF-IDF(词频-逆文档频率)

相关知识

在文本聚类时，可以以文档中词为中心，抽取一篇文档中比较有代表性的词项作为文档的特征项，把文档中出现相同的词聚为一类。 一个文档的关键词是这样的词：其在本文档内出现频率较高，而在其他文档的出现频率较低，具体可以通过TF-IDF技术抽取文档中的关键字。 为了完成本关任务，你需要掌握：1.如何计算词频(TF)；2.如何计算逆文档频率(IDF)；3.如何计算TF-IDF。

词频(TF)的计算

词频(TF)**指的是某一个给定的词语在该文件中出现的次数**。这个数字通常会被正规化，以防止它偏向长的文件。(同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否)

逆文档频率(IDF)的计算

逆文档频率(IDF)是一个词语普遍重要性的度量，它的主要思想是如果包含给定词语的文档越少，那么IDF的值就会越大，则说明该词具有很好的类别区分能力。

注：此处分母+1是为了避免当所有文档都不包含该词时，分母为0的情况。

TF-IDF的计算

TF-IDF随着词在文档中出现的次数成正比增加，但同时会随着该词在语料库中出现的频率成反比下降。某一特定文档内的高词语频率，以及该词语在整个文档集合中的低文档频率，可以产生出高权重的TF-IDF。因此，**TF-IDF倾向于过滤掉常见的词语，保留重要的词语**。

编程要求

本次编程的任务是： 根据提示，在右侧编辑器补充代码，实现计算TF-IDF的计算。 初始数据集如下所示：

1. my dog not has flea problems help
2. maybe not my take him to dog
3. maybe my dalmation is so cute I love him
4. maybe not stop posting stupid worthless garbage
5. my licks ate my steak how to stop him
6. quit buying worthless dog food

共有四处TF-IDF计算的关键代码需要补全，分别是： 1.每个词的词频计算：通过循环并根据上文给出的词频(TF)计算公式计算出每个词的词频(TF)word_tf[i]，其中某个词在文档中的出现次数为doc_frequency[i]，文档总词数为sum(doc_frequency.values())；

2.总文档数的计算：总文档数doc_num可由list_words的长度len()求得；

3.每个词的逆文档频率计算：通过循环和if判断计算出每个词所对应的包含该词的文档数word_doc[i]，再根据上文给出的公式计算出每个词的逆文档频率(IDF)word_idf[i]，其中对数函数为math.log()；

4.每个词的TF-IDF计算：将之前求得的词频(TF)值与其对应的逆文档频率(IDF)值相乘计算出每个词的T

from collections import defaultdict
import math
import operator
def loadDataSet():
    lines_set = open('tf-idf.txt').readlines()
    dataset = []
    for line in lines_set:
        data = line.strip().split()
        dataset.append(data)
    return dataset
"""
函数说明：特征选择TF-IDF算法
Parameters:
     list_words:词列表
Returns:
     dict_feature_select:特征选择词字典
"""
def feature_select(list_words):
    # 总词频统计
    count=0
    doc_frequency = defaultdict(int)  #字典
    for word_list in list_words:
        for i in word_list:
            doc_frequency[i] += 1   #每个词出现的个数
            count+=1
    # 计算每个词的TF值
    word_tf = {}  # 存储每个词的tf值
    #请补充代码，计算每个词的TF值
    #********** Begin **********#
    for i in doc_frequency:
     word_tf[i]=doc_frequency[i]/sum(doc_frequency.values())
    #********** End **********#
    # 计算每个词的IDF值
    #请补充代码，计算总文档数
    #********** Begin **********#
    doc_num=len(list_words)
    #********** End **********#
    word_idf = {}  # 存储每个词的idf值
    word_doc = defaultdict(int)  # 存储包含该词的文档数
    #请补充代码，计算每个词的IDF值
    #********** Begin **********#
    for i in doc_frequency:
        for j in list_words:
            if i in j:
                word_doc[i]+=1
    for i in doc_frequency:
        word_idf[i]=math.log(doc_num/(word_doc[i]+1))
    
    #********** End **********#
    # 计算每个词的TF*IDF的值
    word_tf_idf = {}
    #请补充代码，计算每个词的TF-IDF值
    #********** Begin **********#
    for i in doc_frequency:
        word_tf_idf[i]=word_tf[i]*word_idf[i] 
   
    #********** End **********#
    # 对字典按值由大到小排序
    dict_feature_select = sorted(word_tf_idf.items(), key=operator.itemgetter(1), reverse=True)
    return dict_feature_select
if __name__== '__main__':
    data_list = loadDataSet()  # 加载数据
    features = feature_select(data_list)  # 所有词的TF-IDF值
    print(features)

F-IDF值并通过循环存入word_tf_idf[i]。