获取每个文档的顶级术语 - scikit tf-idf

Question

使用scikit的tf-idf矢量化器对多个文档进行矢量化处理，有没有办法为每个文档获得最具"影响力"的术语？

不过，我只找到了为整个语料库而不是每个文档获得最"有影响力"术语的方法。

Answer 1

只需在 Ami 的最后两个步骤中再添加一种方法：

# Get a list of all the keywords by calling function
feature_names = np.array(count_vect.get_feature_names())
feature_names[X_train_tfidf.argmax(axis=1)]

Answer 2

假设你从一个数据集开始：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import numpy as np
from sklearn.datasets import fetch_20newsgroups
d = fetch_20newsgroups()

使用计数矢量化器和 tfidf：

count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(d.data)
transformer = TfidfTransformer()
X_train_tfidf = transformer.fit_transform(X_train_counts)

现在，您可以创建反向映射：

m = {v: k for (k, v) in count_vect.vocabulary_.items()}

这给出了每个文档有影响力的词：

[m[t] for t in np.array(np.argmax(X_train_tfidf, axis=1)).flatten()]