如何使用 TfIdfVectorizer 查找重要单词？

Question

考虑下面的例子。代表文件的重要词是“Bob”和“Sara”。但是对于max_features，输出往往会显示频繁出现的单词。当语料库很大时，情况会变得更糟。我们怎么才能只得到重要的词？

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd


corpus = [
    'hi, my name is Bob.',
    'hi, my name is Sara.'
]

vectorizer = TfidfVectorizer(max_features=2)
X = vectorizer.fit_transform(corpus).todense()


df = pd.DataFrame(X, columns=vectorizer.get_feature_names())

输出：

,hi,is
0,0.7071067811865475,0.7071067811865475
1,0.7071067811865475,0.7071067811865475

Answer 1

如果增加 max_features：

vectorizer = TfidfVectorizer(max_features=10)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X, columns=vectorizer.get_feature_names())
print(df)
   bob       hi       is       my     name      sara 
0  0.574962  0.40909  0.40909  0.40909  0.40909  0.000000 
1  0.000000  0.40909  0.40909  0.40909  0.40909  0.574962

您可以看到 sara 和 bob 非常重要，因为它们的 tfidf 较高，而另一个较小且相等，这很有意义，因为在两个句子中都重复了。

请注意，如 here。如max_features： “如果不是无，则构建一个仅考虑按语料库中的词频排序的最高 max_features 的词汇表。”所以它可能会像以前的情况一样删除更有用的词。

也许您可能对max_df 或min_df 选项更感兴趣：

vectorizer = TfidfVectorizer(max_df=0.5)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X, columns=vectorizer.get_feature_names())
print(df)
   bob  sara
0  1.0   0.0
1  0.0   1.0

也许最好尝试不同的方法，直到您了解正在发生的事情。

从另一个角度来看，删除一些停用词也可能很好。