[英]How to see top n entries of term-document matrix after tfidf in scikit-learn
我是 scikit-learn 的TfidfVectorizer
,我使用TfidfVectorizer
在一组文档中查找术语的TfidfVectorizer
值。 我使用以下代码来获得相同的结果。
vectorizer = TfidfVectorizer(stop_words=u'english',ngram_range=(1,5),lowercase=True)
X = vectorizer.fit_transform(lectures)
现在,如果我打印 X,我可以看到矩阵中的所有条目,但是如何根据 tfidf 分数找到前 n 个条目。 除此之外,是否有任何方法可以帮助我根据每 ngram 的 tfidf 分数找到前 n 个条目,即 unigram、bigram、trigram 等中的顶级条目?
从 0.15 版本开始,可以通过属性idf_
访问由TfidfVectorizer
学习的特征的全局术语权重,该属性将返回一个长度等于特征维度的数组。 按此权重对特征进行排序以获得最高权重的特征:
from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np
lectures = ["this is some food", "this is some drink"]
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(lectures)
indices = np.argsort(vectorizer.idf_)[::-1]
features = vectorizer.get_feature_names()
top_n = 2
top_features = [features[i] for i in indices[:top_n]]
print top_features
输出:
[u'food', u'drink']
通过 ngram 获取顶级特征的第二个问题可以使用相同的想法来完成,但有一些额外的步骤将特征分成不同的组:
from sklearn.feature_extraction.text import TfidfVectorizer
from collections import defaultdict
lectures = ["this is some food", "this is some drink"]
vectorizer = TfidfVectorizer(ngram_range=(1,2))
X = vectorizer.fit_transform(lectures)
features_by_gram = defaultdict(list)
for f, w in zip(vectorizer.get_feature_names(), vectorizer.idf_):
features_by_gram[len(f.split(' '))].append((f, w))
top_n = 2
for gram, features in features_by_gram.iteritems():
top_features = sorted(features, key=lambda x: x[1], reverse=True)[:top_n]
top_features = [f[0] for f in top_features]
print '{}-gram top:'.format(gram), top_features
输出:
1-gram top: [u'drink', u'food']
2-gram top: [u'some drink', u'some food']
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.