数据来源于天池赛题:零基础入门数据分析-学术前沿趋势分析
一、原理介绍
TF-IDF方法常用来评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。在一个特定文件中,当某类词语出现的频率较高,同时该类词语在整个语料库中出现频率较低时,该类词语的TF-IDF就会比较高。
TF-IDF在中文中指词频-逆向文件频率,由TF(词频)和IDF(逆向文件频率)两个部分组成。
其中,TF(词频)指的是某一个给定的词语在该文件中出现的次数,TF的计算公式为:
T F w = 在 某 一 类 中 词 条 w 出 现 的 次 数 该 类 中 所 有 的 词 条 数 目 TF_{w}=\frac{在某一类中词条w出现的次数}{该类中所有的词条数目} TFw=该类中所有的词条数目在某一类中词条w出现的次数
IDF(逆向文件频率)的主要思想是:如果包含词条t的文档越少, IDF越大,则说明词条具有很好的类别区分能力。TDF的计算公式为:
I D F = l o g ( 语 料 库 的 文 档 总 数 包 含 词 条 w 的 文