Scikit学习TfidfTranformer产生错误结果？

Question

我正在使用scikit-learn的Tfidf变压器获得“怪异”的结果。 通常，我希望一个单词出现在语料库中的所有文档中，其idf等于0（不使用任何平滑或规范化方法），因为我将使用的公式化工具是该文档中文档数的对数语料库除以包含该术语的文档数。 显然（如下图所示）与我的手动实现相比，scikit-learn的实现向每个idf值添加了一个。 有人知道为什么吗？ 同样，请注意，我将平滑和归一化设置为“无/错误”。

In [101]: from sklearn.feature_extraction.text import TfidfTransformer

In [102]: counts
Out[102]: 
array([[3, 0, 1],
       [2, 0, 0],
       [3, 0, 0],
       [4, 0, 0],
       [3, 2, 0],
       [3, 0, 2]])

In [103]: transformer = TfidfTransformer(norm=None, smooth_idf=False)

In [104]: transformer
Out[104]: 
TfidfTransformer(norm=None, smooth_idf=False, sublinear_tf=False,
         use_idf=True)

In [105]: tfidf = transformer.fit_transform(counts)

In [106]: tfidf.toarray()
Out[106]: 
array([[ 3.        ,  0.        ,  2.09861229],
       [ 2.        ,  0.        ,  0.        ],
       [ 3.        ,  0.        ,  0.        ],
       [ 4.        ,  0.        ,  0.        ],
       [ 3.        ,  5.58351894,  0.        ],
       [ 3.        ,  0.        ,  4.19722458]])

In [107]: transformer.idf_
Out[107]: array([ 1.        ,  2.79175947,  2.09861229])

In [108]: idf1 = np.log(6/6)

In [109]: idf1
Out[109]: 0.0

In [110]: idf2 = np.log(6/1)

In [111]: idf2
Out[111]: 1.791759469228055

In [112]: idf3 = np.log(6/2)

In [113]: idf3
Out[113]: 1.0986122886681098

我一直找不到能证明在idf值中添加一个的任何来源。 我正在使用scikit-learn版本“ 0.14.1”。

顺便说一句，除了scikit-learn之外，另一种解决方案对我来说并不是真正有用，因为我需要为网格搜索构建一个scikit-learn管道。

Answer 1

这不是错误，它是一个功能

# log1p instead of log makes sure terms with zero idf don't get
# suppressed entirely
idf = np.log(float(n_samples) / df) + 1.0

此+1 （如评论中所述）用于使idf normalizator 变弱 ，否则，将完全删除所有文档中出现的元素（它们的idf = 0，所以整个tfidf = 0）