使用 Sklearn 的 TfidfVectorizer 变换

Question

我正在尝试使用 Sklearn 的 TfidfVectorizer 对象获取单个文档的 tf-idf 向量。我根据一些训练文档创建了一个词汇表，并使用 fit_transform 来训练 TfidfVectorizer。然后，我想找到任何给定测试文档的 tf-idf 向量。

from sklearn.feature_extraction.text import TfidfVectorizer

self.vocabulary = "a list of words I want to look for in the documents".split()
self.vect = TfidfVectorizer(sublinear_tf=True, max_df=0.5, analyzer='word', 
                 stop_words='english')
self.vect.fit_transform(self.vocabulary)

...

doc = "some string I want to get tf-idf vector for"
tfidf = self.vect.transform(doc)

问题是这会返回一个包含 n 行的矩阵，其中 n 是我的文档字符串的大小。我希望它只返回一个表示整个字符串的 tf-idf 的向量。我怎样才能使它将字符串视为单个文档，而不是每个字符都是文档？另外，我对文本挖掘非常陌生，所以如果我在概念上做错了什么，那会很高兴知道。任何帮助表示赞赏。

Answer 1

如果您只想为给定词汇计算 tf-idf，请使用 vocabulary 参数到 TfidfVectorizer 构造函数，

vocabulary = "a list of words I want to look for in the documents".split()
vect = TfidfVectorizer(sublinear_tf=True, max_df=0.5, analyzer='word', 
           stop_words='english', vocabulary=vocabulary)

然后，要使用给定的corpus（即可迭代的文档）拟合（即计算计数），请使用fit：

vect.fit(corpus)

方法 fit_transform 是

vect.fit(corpus)
corpus_tf_idf = vect.transform(corpus) 

最后，transform 方法接受语料库，因此对于单个文档，您应该将其作为列表传递，或者将其视为符号的可迭代，每个符号都是一个文档。

doc_tfidf = vect.transform([doc])