'''
TF-IDF,词频,抽取关键词,更具有分类意义
'''
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
data = [
'黄河中上游以山地为主,中下游以平原、丘陵为主。',
'由于河流中段流经中国黄土高原地区,因此夹带了大量的泥沙,所以它也被称为世界上含沙量最多的河流。',
'但是在中国历史上,黄河下游的改道给人类文明带来了巨大的影响。'
]
data_new = []
for sent in data:
data_new.append(" ".join(list(jieba.cut(sent))))
data_new
['黄河 中上游 以 山地 为主 , 中下游 以 平原 、 丘陵 为主 。',
'由于 河流 中段 流经 中国 黄土高原地区 , 因此 夹带 了 大量 的 泥沙 , 所以 它 也 被 称为 世界 上 含沙量 最多 的 河流 。',
'但是 在 中国 历史 上 , 黄河 下游 的 改道 给 人类文明 带来 了 巨大 的 影响 。']
transer = TfidfVectorizer()
data_final = transer.fit_transform(data_new)
print(data_final.toarray())
[[0. 0. 0.32311233 0.32311233 0.32311233 0.
0. 0.64622465 0. 0. 0. 0.
0. 0. 0. 0.32311233 0. 0.
0.32311233 0. 0. 0. 0. 0.
0. 0. 0. 0. 0. 0.24573525]
[0. 0.23851206 0. 0. 0. 0.18139457
0.23851206 0. 0. 0. 0. 0.23851206
0.23851206 0.23851206 0.23851206 0. 0. 0.
0. 0. 0.23851206 0. 0.23851206 0.47702411
0.23851206 0.23851206 0.23851206 0.23851206 0.23851206 0. ]
[0.33046705 0. 0. 0. 0. 0.25132871
0. 0. 0.33046705 0.33046705 0.33046705 0.
0. 0. 0. 0. 0.33046705 0.33046705
0. 0.33046705 0. 0.33046705 0. 0.
0. 0. 0. 0. 0. 0.25132871]]