我有一个包含 5000 条评论的文档。我在该文件上应用了 tf-idf。这里 sample_data 包含 5000 条评论。我在 一克范围 的 sample_data 上应用 tf-idf 矢量化器。现在我想获得前 1000 个单词 来自具有最高 tf-idf 值的 sample_data。谁能告诉我如何获得热门词？
from sklearn.feature_extraction.text import TfidfVectorizer
tf_idf_vect = TfidfVectorizer(ngram_range=(1,1))
tf_idf_vect.fit(sample_data)
final_tf_idf = tf_idf_vect.transform(sample_data)
【问题讨论】：
标签： python-3.x scikit-learn tf-idf sklearn-pandas tfidfvectorizer
TF-IDF 值取决于单个文档。您可以使用max_features parameter of TfidfVectorizer 根据计数 (Tf) 获得前 1000 个术语：
max_features : int 或 None，默认=None
If not None, build a vocabulary that only consider the top max_features ordered by term frequency across the corpus.
只要做：
tf_idf_vect = TfidfVectorizer(ngram_range=(1,1), max_features=1000)
您甚至可以在使用idf_ 属性拟合（学习）文档后从tf_idf_vect 中获取'idf'（全局术语权重）：
idf_ : 数组、形状 = [n_features] 或无
The learned idf vector (global term weights) when use_idf is set to True,
调用tf_idf_vect.fit(sample_data)后执行此操作：
idf = tf_idf_vect.idf_
然后从中选择前 1000 个，并根据这些选择的特征重新拟合数据。
但你无法通过“tf-idf”获得前 1000 名，因为 tf-idf 是单个文档中的一个术语 tf 与 idf（全局）的乘积词汇。因此，对于在单个文档中出现 2 次的同一个词，其 tf-idf 将是在另一个文档中只出现一次的同一个词的两倍。您如何比较同一术语的不同值。希望这能说明问题。
【讨论】：