次のようなn-gramを含む語彙リストがあります。
myvocabulary = ['tim tam', 'jam', 'fresh milk', 'chocolates', 'biscuit pudding']
これらの単語を使用してTF-IDF値を計算したいと思います。
次のようなコーパスの辞書もあります(キー=レシピ番号、値=レシピ)。
corpus = {1: "making chocolates biscuit pudding easy first get your favourite biscuit chocolates", 2: "tim tam drink new recipe that yummy and tasty more thicker than typical milkshake that uses normal chocolates", 3: "making chocolates drink different way using fresh milk Egg"}
現在、次のコードを使用しています。
from sklearn.feature_extraction.text import TfidfVectorizer
tfidf = TfidfVectorizer(vocabulary = myvocabulary, stop_words = 'english')
tfs = tfidf.fit_transform(corpus.values())
現在、レシピ1のトークンまたはn-gramをcorpus
にtF-IDF値とともに次のように出力しています。
feature_names = tfidf.get_feature_names()
doc = 0
feature_index = tfs[doc,:].nonzero()[1]
tfidf_scores = Zip(feature_index, [tfs[doc, x] for x in feature_index])
for w, s in [(feature_names[i], s) for (i, s) in tfidf_scores]:
print(w, s)
私が得る結果はchocolates 1.0
です。ただし、私のコードでは、TF-IDF値を計算するときにbiscuit pudding
などのN-gram(バイグラム)を検出しません。コードを間違ったところを教えてください。
myvocabulary
のレシピドキュメントを使用して、corpus
用語のTD-IDFマトリックスを取得したいと思います。つまり、行列の行はmyvocabulary
を表し、行列の列はmy corpus
のレシピドキュメントを表します。私を助けてください。
ngram_range
in TfidfVectorizer
:
tfidf = TfidfVectorizer(vocabulary = myvocabulary, stop_words = 'english', ngram_range=(1,2))
編集:TfidfVectorizer
の出力は、スパースフォーマットのTF-IDFマトリックスです(または実際には、求めるフォーマットでの転置)。内容を印刷できます。このような:
feature_names = tfidf.get_feature_names()
corpus_index = [n for n in corpus]
rows, cols = tfs.nonzero()
for row, col in Zip(rows, cols):
print((feature_names[col], corpus_index[row]), tfs[row, col])
降伏するはずです
('biscuit pudding', 1) 0.646128915046
('chocolates', 1) 0.763228291628
('chocolates', 2) 0.508542320378
('tim tam', 2) 0.861036995944
('chocolates', 3) 0.508542320378
('fresh milk', 3) 0.861036995944
マトリックスが大きくない場合は、密な形で調べる方が簡単な場合があります。 Pandas
はこれを非常に便利にします:
import pandas as pd
df = pd.DataFrame(tfs.T.todense(), index=feature_names, columns=corpus_index)
print(df)
これは
1 2 3
tim tam 0.000000 0.861037 0.000000
jam 0.000000 0.000000 0.000000
fresh milk 0.000000 0.000000 0.861037
chocolates 0.763228 0.508542 0.508542
biscuit pudding 0.646129 0.000000 0.000000