我在理解我们如何在以下程序中获得 Tf-Idf 时遇到了问题：
我尝试使用网站上给出的概念计算文档 2 （'And_this_is_the_third_one.'） 中a的值，但我使用上述概念的"a"值是
1/26*日志（4/1）
（（"a"字符的出现次数）/（给定字符数 document）*log（ # Docs/# Docs 其中给定字符 发生））
= 0.023156
但是输出返回为 0.2203，如输出所示。
from sklearn.feature_extraction.text import TfidfVectorizer
corpus = ['This_is_the_first_document.', 'This_document_is_the_second_document.', 'And_this_is_the_third_one.', 'Is_this_the_first_document?', ]
vectorizer = TfidfVectorizer(min_df=0.0, analyzer="char")
X = vectorizer.fit_transform(corpus)
print(vectorizer.get_feature_names())
print(vectorizer.vocabulary_)
m = X.todense()
print(m)
使用上面解释的概念，我预计输出为 0.023156。
输出为：
['.', '?', '_', 'a', 'c', 'd', 'e', 'f', 'h', 'i', 'm', 'n', 'o', 'r', 's', 't', 'u']
{'t': 15, 'h': 8, 'i': 9, 's': 14, '_': 2, 'e': 6, 'f': 7, 'r': 13, 'd': 5, 'o': 12, 'c': 4, 'u': 16, 'm': 10, 'n': 11, '.': 0, 'a': 3, '?': 1}
[[0.14540332 0. 0.47550697 0. 0.14540332 0.11887674
0.23775349 0.17960203 0.23775349 0.35663023 0.14540332 0.11887674
0.11887674 0.14540332 0.35663023 0.47550697 0.14540332]
[0.10814145 0. 0.44206359 0. 0.32442434 0.26523816
0.35365088 0. 0.17682544 0.17682544 0.21628289 0.26523816
0.26523816 0. 0.26523816 0.35365088 0.21628289]
[0.14061506 0. 0.57481012 0.22030066 0. 0.22992405
0.22992405 0. 0.34488607 0.34488607 0. 0.22992405
0.11496202 0.14061506 0.22992405 0.34488607 0. ]
[0. 0.2243785 0.46836004 0. 0.14321789 0.11709001
0.23418002 0.17690259 0.23418002 0.35127003 0.14321789 0.11709001
0.11709001 0.14321789 0.35127003 0.46836004 0.14321789]]
TfidfVectorizer() 已将平滑添加到文档计数中，并且l2规范化已应用于顶部 tf-idf 向量，如文档中所述。
（字符的出现次数）/（给定字符数 文档） *
log （1 + # 文档/1 + # 存在给定字符的文档） +1 ）
默认情况下l2此规范化，但您可以使用参数 norm 更改或删除此步骤。同样，平滑可以是
为了了解如何计算确切的分数，我将拟合一个CountVectorizer()来了解每个文档中每个字符的计数。
countVectorizer = CountVectorizer(analyzer='char')
tf = countVectorizer.fit_transform(corpus)
tf_df = pd.DataFrame(tf.toarray(),
columns= countVectorizer.get_feature_names())
tf_df
#output:
. ? _ a c d e f h i m n o r s t u
0 1 0 4 0 1 1 2 1 2 3 1 1 1 1 3 4 1
1 1 0 5 0 3 3 4 0 2 2 2 3 3 0 3 4 2
2 1 0 5 1 0 2 2 0 3 3 0 2 1 1 2 3 0
3 0 1 4 0 1 1 2 1 2 3 1 1 1 1 3 4 1
现在让我们将基于 sklearn 实现的 tf-idf 权重应用于第二个文档！
v=[]
doc_id = 2
# number of documents in the corpus + smoothing
n_d = 1+ tf_df.shape[0]
for char in tf_df.columns:
# calculate tf - count of this char in the doc / total number chars in the doc
tf = tf_df.loc[doc_id,char]/tf_df.loc[doc_id,:].sum()
# number of documents containing this char with smoothing
df_d_t = 1+ sum(tf_df.loc[:,char]>0)
# now calculate the idf with smoothing
idf = (np.log (n_d/df_d_t) + 1 )
# calculate the score now
v.append (tf*idf)
from sklearn.preprocessing import normalize
# normalize the vector with l2 norm and create a dataframe with feature_names
pd.DataFrame(normalize([v], norm='l2'), columns=vectorizer.get_feature_names())
#output:
. ? _ a c d e f h i m n o r s t u
0.140615 0.0 0.57481 0.220301 0.0 0.229924 0.229924 0.0 0.344886 0.344886 0.0 0.229924 0.114962 0.140615 0.229924 0.344886 0.0
您可以发现 char a 的分数与TfidfVectorizer()输出匹配!!