Python 使tfidf矢量化器以特征的形式返回文档数

我正在使用适合N个文档的Sklearn TFIDFvectorier，然后我希望根据每个文档中的tfidf分数获得单词的向量表示

一些代码可以帮助：

from sklearn.feature_extraction.text import TfidfVectorizer

model = TfidfVectorizer()

corpus = ["first corpus with words like dog and cat", "second corpus with words like car and plane"]

model.fit(corpus)

model.transform(["cat"]).toarray().shape

>> (1, 11)

为什么我得到11个功能？我希望有两个功能，因为我安装的模型只有两个文件

因此，我不会这样做：

[0, tfidfscore]

---

我阅读了文档，对TF-IDF有了基本的了解，我可以得出一个结论这不是专家意见。

根据，转换返回一个稀疏矩阵，其维数为（n_个样本，n_个特征）

返回X:sparse矩阵，[n_个样本，n_个特征]

Tf idf加权文档术语矩阵

现在您的n_示例为1，n_特征来自模型。。。它计算出来等于11

转换返回的是TD-IDF加权文档术语矩阵，其中每行对应文档，每列对应特征

您可以通过说“print（model.get_feature_names（））”来了解您的功能。在您的情况下，它将给出以下输出

['and'、'car'、'cat'、'corpus'、'dog'、'first'、'like'、'plane'、'second'、'with'、'words']

如您所见，共有11个功能。现在cat是第三个频率必须很高的元件。如果你说“print（model.transform（[“cat”]）.toarray（）”，你就会知道整个矩阵。如前所述，将有一行（当您在一个文档中传递时…“cat”和11列（由于上述原因）。正如您在下面第三列中看到的，频率最高为1.00

[[0.0.1.0.0.0.0.0.0.0.0.0.]]

我对您的代码做了最小的更改，希望它能帮助您

从sklearn.feature\u extraction.text导入TfidfVectorizer
模型=TfidfVectorizer（）
语料库=[“第一个语料库中有像狗和猫这样的词”，“第二个语料库中有像汽车和飞机这样的词”]
模型拟合（语料库）
返回的\u Features=model.get\u Features\u names（）
返回了\u TF\u IDF\u DTM=model.transform（[“cat”]）.toarray（）
打印（返回的功能）
打印（返回的\u TF\u IDF\u DTM）

---

我希望这会有帮助。最好的

似乎你想做这样的事情

from sklearn.feature_extraction.text import TfidfVectorizer

model = TfidfVectorizer()

corpus = ["first corpus with words like dog and cat", "second corpus with words like car and plane"]

X = model.fit_transform(corpus)

words = model.get_feature_names()
word2idx = dict(zip(words, range(len(words))))

print(X[:, word2idx['cat']].todense())

---

这将为您提供tf idf矩阵中单词“cat”的核心对应原始数据。您的词汇量为11。这就是为什么您会得到

11

特征的特征向量。为什么您希望有2个特征？tf-idf特征是按单词计算的，而不是按文档计算的。