TF(Term Frequency)詞頻,在文章中出現次數最多的詞,然而文章中出現次數較多的詞并不一定就是關鍵詞,比如常見的對文章本身并沒有多大意義的停用詞。所以我們需要一個重要性調整系數來衡量一個詞是不是常見詞。該權重為IDF(Inverse Document Frequency)逆文檔頻率,它的大小與一個詞的常見程度成反比。在我們得到詞頻(TF)和逆文檔頻率(IDF)以后,將兩個值相乘,即可得到一個詞的TF-IDF值,某個詞對文章的重要性越高,其TF-IDF值就越大,所以排在最前面的幾個詞就是文章的關鍵詞。
TF-IDF算法的優點是簡單快速,結果比較符合實際情況,但是單純以“詞頻”衡量一個詞的重要性,不夠全面,有時候重要的詞可能出現的次數并不多,而且這種算法無法體現詞的位置信息,出現位置靠前的詞和出現位置靠后的詞,都被視為同樣重要,是不合理的。
TF-IDF算法步驟:
(1)、計算詞頻:
詞頻 = 某個詞在文章中出現的次數
考慮到文章有長短之分,考慮到不同文章之間的比較,將詞頻進行標準化
詞頻 = 某個詞在文章中出現的次數/文章的總詞數
詞頻 = 某個詞在文章中出現的次數/該文出現次數最多的詞出現的次數
(2)、計算逆文檔頻率
需要一個語料庫(corpus)來模擬語言的使用環境。
逆文檔頻率 = log(語料庫的文檔總數/(包含該詞的文檔數 + 1))
(3)、計算TF-IDF
TF-IDF = 詞頻(TF)* 逆文檔頻率(IDF)
詳細代碼如下:
#!/usr/bin/env python #-*- coding:utf-8 -*- ''' 計算文檔的TF-IDF ''' import codecs import os import math import shutil #讀取文本文件 def readtxt(path): with codecs.open(path,"r",encoding="utf-8") as f: content = f.read().strip() return content #統計詞頻 def count_word(content): word_dic ={} words_list = content.split("/") del_word = ["\r\n","/s"," ","/n"] for word in words_list: if word not in del_word: if word in word_dic: word_dic[word] = word_dic[word]+1 else: word_dic[word] = 1 return word_dic #遍歷文件夾 def funfolder(path): filesArray = [] for root,dirs,files in os.walk(path): for file in files: each_file = str(root+"http://"+file) filesArray.append(each_file) return filesArray #計算TF-IDF def count_tfidf(word_dic,words_dic,files_Array): word_idf={} word_tfidf = {} num_files = len(files_Array) for word in word_dic: for words in words_dic: if word in words: if word in word_idf: word_idf[word] = word_idf[word] + 1 else: word_idf[word] = 1 for key,value in word_dic.items(): if key !=" ": word_tfidf[key] = value * math.log(num_files/(word_idf[key]+1)) #降序排序 values_list = sorted(word_tfidf.items(),key = lambda item:item[1],reverse=True) return values_list #新建文件夾 def buildfolder(path): if os.path.exists(path): shutil.rmtree(path) os.makedirs(path) print("成功創建文件夾!") #寫入文件 def out_file(path,content_list): with codecs.open(path,"a",encoding="utf-8") as f: for content in content_list: f.write(str(content[0]) + ":" + str(content[1])+"\r\n") print("well done!") def main(): #遍歷文件夾 folder_path = r"分詞結果" files_array = funfolder(folder_path) #生成語料庫 files_dic = [] for file_path in files_array: file = readtxt(file_path) word_dic = count_word(file) files_dic.append(word_dic) #新建文件夾 new_folder = r"tfidf計算結果" buildfolder(new_folder) #計算tf-idf,并將結果存入txt i=0 for file in files_dic: tf_idf = count_tfidf(file,files_dic,files_array) files_path = files_array[i].split("http://") #print(files_path) outfile_name = files_path[1] #print(outfile_name) out_path = r"%s//%s_tfidf.txt"%(new_folder,outfile_name) out_file(out_path,tf_idf) i=i+1 if __name__ == '__main__': main()
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
