从 tf-idf 稀疏矩阵中获取热门词（最高 tf-idf 值）

Question

我有一个大小为 208（208 个句子数组）的列表，看起来像：

all_words = [["this is a sentence ... "] , [" another one hello bob this is alice ... "] , ["..."] ...] 

我想获得具有最高 tf-idf 值的单词。 我创建了一个 tf-idf 矩阵：

from sklearn.feature_extraction.text import TfidfVectorizer

tokenize = lambda doc: doc.split(" ")
sklearn_tfidf = TfidfVectorizer(norm='l2', tokenizer=tokenize, ngram_range=(1,2))
tfidf_matrix = sklearn_tfidf.fit_transform(all_words)
sentences = sklearn_tfidf.get_feature_names()

dense_tfidf = tfidf_matrix.todense()

现在我不知道如何获得具有最高 tf-idf 值的单词。

dense_tfidf每一列代表一个词/2 个词。 （矩阵为 208x5481）

当我对每一列求和时，它并没有真正帮助 - 得到了一个简单的热门词的相同结果（我猜是因为它与简单的字数统计相同）。

如何获得具有最高 tf-idf 值的单词？ 或者我怎样才能明智地将其规范化？

Answer 1

有一个类似的问题，但在https://towardsdatascience.com/multi-class-text-classification-with-scikit-learn-12f1e60e0a9f 上发现了这个问题，只需根据您的数据框更改 X 和 y 输入。 博客中的代码如下。 Sklearn 的文档帮助了我： http ://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.chi2.html

from sklearn.feature_selection import chi2
import numpy as np
N = 2
for Product, category_id in sorted(category_to_id.items()):
features_chi2 = chi2(features, labels == category_id)
indices = np.argsort(features_chi2[0])
feature_names = np.array(tfidf.get_feature_names())[indices]
unigrams = [v for v in feature_names if len(v.split(' ')) == 1]
bigrams = [v for v in feature_names if len(v.split(' ')) == 2]
print("# '{}':".format(Product))
print("  . Most correlated unigrams:\n. {}".format('\n. '.join(unigrams[-N:])))
print("  . Most correlated bigrams:\n. {}".format('\n. '.join(bigrams[-N:])))