所以我有一个Pandas DataFrame： 这里
正如你所看到的，我给它贴上了标签，让它更清晰一点(书名只是书名，数字是它们各自的频率(。
要计算 TF-IDF，我必须实现一个名为"choice"的函数，其签名如下：
def choice(term, documents):
其中"term"是数据帧中存在的任何有效单词，"文档"是 pandas 数据帧本身。该函数计算数据帧中所有书籍的 TF-IDF(因此，行，因为每本书都是新行(，然后返回具有最高 TF-IDF 值的书籍的名称，如下所示：
choice('the', mydataframe)
# output: pg16238.txt
我遇到的问题是，由于将索引从标准编号(0、1、2 等(重命名为书名，我无法从数据帧中提取特定频率，如您在图像中看到的那样，该图像使内置的".str.contains"函数以某种方式无用(它不起作用(。
我搜索了很多关于它的信息，发现它以某种方式变成了一个"多索引"数据帧？(我是初学者，所以我对如何解决这个问题没有好主意(。
我遇到的另一个问题是，我不知道计算完成后如何返回书名。比如，我应该列出索引，然后创建一个字典，看起来像这样：
{'book-title': tf-idf-value}
然后返回最大值？请帮助我找出解决此问题的适当方法。
我已经成功地编写了一个有效的 IDF 计算函数：
def get_IDF(self, term):
N = 0
D = len(self.files_list)
for file in self.files_list:
with open(file, 'r', encoding='utf-8-sig', errors='replace') as f:
temp_cleaned_data = ''.join(i.lower() for i in f.read() if ord(i) < 128).translate(str.maketrans('', '', string.punctuation)).replace('n', ' ')
if self.contains_word(temp_cleaned_data, term):
N += 1
return 1 + (math.log(D / (1 + N)))
"files_list"是存储在当前目录中的文件列表。
另外，请原谅我糟糕的编码"temp_cleaned_data"，我稍后会重构它，对此感到抱歉。(我知道使用".isalnum(("确实有更简单的方法可以做到这一点，但我也在尝试学习一些列表理解和函数式编程，所以我尝试了不同的东西并将其拼凑在一起看看它是如何工作的(。
无论如何，我真的很感激任何帮助来解决这个问题，谢谢。TF-IDF 的公式为：
术语频率(术语( x IDF(术语(
注意：我提供的数据帧屏幕截图只是完整数据帧的一部分。此外，书名可能会有所不同，书籍的数量不仅仅是 6 本，而且数量可以是 N。因此，我打算编写可以考虑上述条件的函数。
我对你的实现做了一些修改，我假设你已经计算了 IDF 数据帧。让我们创建一个包含一些统一值的虚拟值：
IDF = pd.DataFrame([1.0/len(df.index)]*len(df.index), index = df.index)
print(IDF)
0
11-0.txt 0.166667
1342-0.txt 0.166667
1661-0.txt 0.166667
1952-0.txt 0.166667
84-0.txt 0.166667
pg16328.txt 0.166667
我还将您的df名称更改为TF：
TF = df.copy()
def choice(term, TF, impute_val=0.000001):
TF = TF.fillna(impute_val)
# Based on the formula provided, calculate the TFIDF score for all documents of this term
tfidf_score = TF[term].values.ravel() * IDF.values.ravel()
doc_names = TF.index.tolist()
# sort by TFIDF score and return the doc name that has max tfidf value
return sorted(zip(doc_names,tfidf_score),key=lambda x: x[1])[-1][0]
print(choice(term='accept', TF=TF))
'1661-0.txt'