sklearn_tfidf_CountVectorizer 与 TfidfTransformer

from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer

# 说明:
# 1、主要用到了两个函数:CountVectorizer()和TfidfTransformer()。
# 2、CountVectorizer是通过fit_transform函数将文本中的词语转换为词频矩阵,
#       1)矩阵元素weight[i][j] 表示j词在第i个文本下的词频,即各个词语出现的次数;
#       2)通过get_feature_names()可看到所有文本的关键字,通过toarray()可看到词频矩阵的结果。
# 3、TfidfTransformer也有个fit_transform函数,它的作用是计算tf-idf值

# 测试目的:
#   1)CountVectorizer单条多次计算与一次lst结算结果是否一致,
#   2)即test的结果与test_a、test_b的结果是否一致
#   3) 即测试数据是否会影响TfidfTransformer与CountVectorizer计算itidf的结果

# 结论:
#   1) 只要train与test都是用同一个词频矩阵CountVectorizer,单条多次计算与一次lst结算结果一致
#   2) 为了保证测试集也能用到训练集的词频矩阵,保存模型的时候需要保存CountVectorizer

train = ['This is the first document.', 'This is the second second document.']
test = ['And the third one.', 'Is this the first document?']

test_a = ['And the third one.']
test_b = ['Is this the first document?']

vectorizer = CountVectorizer()
tfidftransformer = TfidfTransformer()
# 注意只要vectorizer.fit_transform,词频矩阵就固定了
count_train = vectorizer.fit_transform(train)
print('count:')
print(vectorizer.vocabulary_)
print('feature_names:')
print(vectorizer.get_feature_names())
print(count_train.toarray())

tfidf = tfidftransformer.fit_transform(count_train)
train_weight = tfidf.toarray()
print(tfidf.shape)
print(train_weight)
count_test = vectorizer.transform(test)
# 注意,这里是通过固定的词频矩阵来转换test_a、test_b
count_test_a = vectorizer.transform(test_a)
count_test_b = vectorizer.transform(test_b)
# print(type(count2))
print('count_train:')
print(vectorizer.get_feature_names())
print('词频矩阵对比如下:')
print(count_test.toarray())
print(count_test_a.toarray())
print(count_test_b.toarray())

test_tfidf = tfidftransformer.transform(count_test)
test_weight = test_tfidf.toarray()
test_weight_a = tfidftransformer.transform(count_test_a).toarray()
test_weight_b = tfidftransformer.transform(count_test_b).toarray()
print('tfidf对比如下:')
print(test_weight)
print(test_weight_a)
print(test_weight_b)

 

结果输出如下:

count:
{'first': 1, 'the': 4, 'is': 2, 'second': 3, 'this': 5, 'document': 0}
feature_names:
['document', 'first', 'is', 'second', 'the', 'this']
[[1 1 1 0 1 1]
 [1 0 1 2 1 1]]
(2, 6)
[[0.4090901  0.57496187 0.4090901  0.         0.4090901  0.4090901 ]
 [0.28986934 0.         0.28986934 0.81480247 0.28986934 0.28986934]]
count_train:
['document', 'first', 'is', 'second', 'the', 'this']
词频矩阵对比如下:
[[0 0 0 0 1 0]
 [1 1 1 0 1 1]]
[[0 0 0 0 1 0]]
[[1 1 1 0 1 1]]
tfidf对比如下:
[[0.         0.         0.         0.         1.         0.        ]
 [0.4090901  0.57496187 0.4090901  0.         0.4090901  0.4090901 ]]
[[0. 0. 0. 0. 1. 0.]]
[[0.4090901  0.57496187 0.4090901  0.         0.4090901  0.4090901 ]]

转载于:https://my.oschina.net/u/2293326/blog/1838645

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值