TFIDF

本文主要是介绍TFIDF，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

TF-IDF是什么：

　　文本向量化工具

TF-IDF基本概念：

　　TF：词频除以文章总词数

　　IDF：ln(语料库的总个数/出现该词的语料库个数+1)　

　　TF-IDF = TF * IDF

 1 def forward_segment(text, dic):
 2     word_list = []
 3     i = 0
 4     while i < len(text):
 5         logest_word = text[i]
 6         for j in range(i+1, len(text)+1):
 7             word = text[i:j]
 8             if word in dic:
 9                 logest_word = word
10         word_list.append(logest_word)
11         i += len(logest_word)
12     return word_list

 1 def backward_segment(text, dic):
 2     word_list = []
 3     i = len(text) - 1
 4     while i >= 0:
 5         longest_word = text[i]
 6         for j in range(0, i):
 7             word = text[j:i+1]
 8             if word in dic:
 9                 longest_word = word
10                 break
11         word_list.insert(0, longest_word)
12         i -= len(longest_word)
13     return word_list

def bidirectional_segment(text, dic):
    forward_result = forward_segment(text, dic)
    backward_result = backward_segment(text, dic)
    #默认逆向分词
    final_result = backward_result
    if len(forward_result) < len(backward_result):
        final_result = forward_result
    elif count_single(forward_result) < count_single(backward_result):
        final_result = forward_result
    return final_result

文本向量化步骤

　　1.遍历每个文档，使用jieba等分词工具进行分词,形成文档库，通常将数词(m)、非语言词(x)、中文停用词等排除在语料库之外。

　　2.剔除重复字段形成字典库

　　3.计算TF 、IDF

　　4.输出结果TF/IDF

import jieba
import jieba.posseg as pseg
import numpy as np

def process(documents):
    file_list = []
    vocab = set()
    for content in documents:
        psresult = pseg.cut(content)
        document = [x.word for x in psresult if x.flag not in ['x', 'm']]
        file_list.append(document)
        vocab.update(document)
    return file_list, vocab

class TFIDFVector:
    def __init__(self,documents):
        self.documents = documents
        self.file_list = []
        self.vocab = set()        
        self.prosses()
    #文档预处理，生成文档列表和语料库
    def prosses(self):
        self.file_list, self.vocab = process(self.documents)
    #文本向量化
    def vector(self):
        self.vocab_list = list(self.vocab)
        #计算TF
        tf_list = [np.array([sent.count(word) for word in self.vocab_list])/len(sent) for sent in self.file_list]
        #计算IDF
        idf_list = [np.log(len(self.file_list)/sum([1 for sent in self.file_list if word in sent])) for word in self.vocab_list]
        tf_arrays = np.array(tf_list)
        idf_arrays = np.array(idf_list)
        #计算TF-IDF=TF*IDF 
        # result = [sent*np.array(idf_list) for sent in tf_list]
        result = tf_arrays * idf_arrays 
        return result
    
if __name__ == '__main__':
    #dirName = r'd:\deepblue\course\NO.11\datas\datas'# r'D:\AI课程\05.NLP基础\代码\datas'
    #documents = load_data(dirName)
    
    documents = ['行政机关强行解除行政协议造成损失，如何索取赔偿？',
          '借钱给朋友到期不还得什么时候可以起诉？怎么起诉？',
          '我在微信上被骗了，请问被骗多少钱才可以立案？',
          '公民对于选举委对选民的资格申诉的处理决定不服，能不能去法院起诉吗？',
          '有人走私两万元，怎么处置他？',
          '法律上餐具、饮具集中消毒服务单位的责任是不是对消毒餐具、饮具进行检验？',
          '走私是如何量刑的？',
          '如果微信上被骗怎么办？']
    vector = TFIDFVector(documents)
    print(vector.vector())

这篇关于TFIDF的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！