“达观杯”文本智能处理挑战赛-任务二

一、TF-IDF理论

1.百科介绍：

TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。TF意思是词频(Term Frequency)，IDF意思是逆文本频率指数(Inverse Document Frequency)。

2.原理

TF

在一份给定的文件里，词频(term frequency, TF)指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化（分子一般小于分母区别于IDF），以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否。）

以上式子种分子为x词在第j个文件中出现的次数，而分母是在第j个文件中所有字词的出现词数之和。

IDF

逆向文件频率 (inverse document frequency, IDF) 是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。

其中，N代表语料库中文本的总数，而N(x)代表语料库中包含词x的文本总数。

TF－IDF主要思想：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率。TF表示词条在文档d中出现的频率。

二、使用TF-IDF表示文本

1. 直接用 TfidfVectorizer 完成向量化与TF-IDF预处理

from sklearn.feature_extraction.text import TfidfVectorizer

corpus = ["I come to China to travel",
		  "This is a car polupar in China",
		  "I love tea and Apple",
		  "The work is to write some papers in science"]
tfidf = TfidfVectorizer()
re = tfidf.fit_transform(corpus)
print(re)

2. 用 CountVectorizer类向量化之后再调用 TfidfTransformer类 进行预处理

from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
corpus = ["I come to China to travel",
		  "This is a car polupar in China",
		  "I love tea and Apple",
		  "The work is to write some papers in science"]
vectorizer = CountVectorizer()
transformer = TfidfTransformer()
tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))
print(tfidf)

结果同 1

3.达观杯TF-IDF文本表示

使用方法一，直接用 TfidfVectorizer 完成向量化与TF-IDF预处理

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer()
vectorizer = tfidf.fit(X_train.iloc[:10,1])
X_train = vectorizer.fit_transform(df_train.iloc[:,1])
X_valid = vectorizer.fit_transform(X_valid.iloc[:,1])
print(X_train)
print('_____________')
print(X_valid)