sklearn函数CountVectorizer()和TfidfVectorizer()计算方法介绍

sklearn函数CountVectorizer()和TfidfVectorizer()计算方法介绍

CountVectorizer()函数

CountVectorizer()函数只考虑每个单词出现的频率；然后构成一个特征矩阵，每一行表示一个训练文本的词频统计结果。其思想是，先根据所有训练文本，不考虑其出现顺序，只将训练文本中每个出现过的词汇单独视为一列特征，构成一个词汇表(vocabulary list)，该方法又称为词袋法(Bag of Words)。

举一个栗子：

from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer
texts=["orange banana apple grape","banana apple apple","grape", 'orange apple'] 
cv = CountVectorizer()
cv_fit=cv.fit_transform(texts)
print(cv.vocabulary_)
print(cv_fit)
print(cv_fit.toarray())

输出如下：

{'orange': 3, 'banana': 1, 'apple': 0, 'grape': 2}
#这里是根据首字母顺序，将texts变量中所有单词进行排序，apple首字母为a所以排第一，banana首字母为b所以排第二                                                                      
  (0, 3)	1
  (0, 1)	1
  (0, 0)	1
  (0, 2)	1 # (0, 2)  1 中0表示第一个字符串"orange banana apple grape",2对应上面的'grape': 2, 1表示出现次数1。
  (1, 1)	1
  (1, 0)	2
  (2, 2)	1
  (3, 3)	1
  (3, 0)	1
[[1 1 1 1]  # 第一个字符串，排名0,1,2,3词汇（apple，banana，grape，orange）出现的频率都为1
 [2 1 0 0] #第二个字符串，排名0,1,2,3词汇（apple，banana，grape，orange）出现的频率为2,1,00
 [0 0 1 0]
 [1 0 0 1]]

TfidfVectorizer()函数
TfidfVectorizer()基于TF-IDF算法。此算法包括两部分TF和IDF，两者相乘得到TF-IDF算法。
TF算法统计某训练文本中，某个词的出现次数，计算公式如下：

IDF 算法，用于调整词频的权重系数，如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。
注意sklearn中idf的计算公式与一般书中介绍的不一样，当TfidfVectorizer 的参数use_idf（参数默认值为True）为True时就是按照如下算法来计算IDF。

N=训练集文本总数, N(x)=包含词x的文本数

TF-IDF算法=TF算法 * IDF算法

我们依旧采用上面的例子：

from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer
texts=["orange banana apple grape","banana apple apple","grape", 'orange apple']
cv = TfidfVectorizer(norm=None)
cv_fit=cv.fit_transform(texts)
print('特征向量')
#print(sorted(cv.vocabulary_))
print(cv.vocabulary_)
print('IDF值')
print(cv.idf_)
print('TF文档-词矩阵')
print([[1,1,1,1],
       [2,1,0,0],
       [0,0,1,0],
       [1,0,0,1]])
print('TF-IDF文档-词矩阵')
print(cv_fit.toarray())
print(cv_fit)

输出如下：

特征向量
{'orange': 3, 'banana': 1, 'apple': 0, 'grape': 2}
IDF值
[1.22314355 1.51082562 1.51082562 1.51082562]
IDF(orange)=np.log((4+1)/(2+1))+1=1.5108256237659907
训练集文本总数4, 包含词orange的文本数2
TF文档-词矩阵
[[1, 1, 1, 1],
 [2, 1, 0, 0], 
 [0, 0, 1, 0],
 [1, 0, 0, 1]]
TF-IDF文档-词矩阵
[[1.22314355 1.51082562 1.51082562 1.51082562]
 [2.4462871  1.51082562 0.         0.        ]
 [0.         0.         1.51082562 0.        ]
 [1.22314355 0.         0.         1.51082562]]
  (0, 2)	1.5108256237659907
  (0, 0)	1.2231435513142097
  (0, 1)	1.5108256237659907
  (0, 3)	1.5108256237659907
  (1, 0)	2.4462871026284194
  (1, 1)	1.5108256237659907
  (2, 2)	1.5108256237659907
  (3, 0)	1.2231435513142097
  (3, 3)	1.5108256237659907

norm='l2’范数时，就是对文本向量进行归一化
TfidfVectorizer参数norm默认值为‘L2’范数

cv = TfidfVectorizer()
cv_fit=cv.fit_transform(texts)
print(cv.vocabulary_)
print(cv.idf_)
print(cv_fit.toarray())
print(cv_fit)

输出如下：

{'orange': 3, 'banana': 1, 'apple': 0, 'grape': 2}
[1.22314355 1.51082562 1.51082562 1.51082562]
[[0.42344193 0.52303503 0.52303503 0.52303503]
 [0.8508161  0.52546357 0.         0.        ]
 [0.         0.         1.         0.        ]
 [0.62922751 0.         0.         0.77722116]]
  (0, 2)	0.5230350301866413
  (0, 0)	0.423441934145613
  (0, 1)	0.5230350301866413
  (0, 3)	0.5230350301866413
  (1, 0)	0.8508160982744233
  (1, 1)	0.5254635733493682
  (2, 2)	1.0
  (3, 0)	0.6292275146695526
  (3, 3)	0.7772211620785797

取 IDF值的L2范数即可得上面的数据：

a=np.array([1.22314355 ,1.51082562, 1.51082562, 1.51082562])
a*(1.0/np.sqrt(math.pow(1.22314355,2)+math.pow(1.51082562,2)*3.0))
输出：
array([0.42344193, 0.52303503, 0.52303503, 0.52303503])

参考：sklearn.feature_extraction.text.TfidfVectorizer