我想在一组文档中找到最相关的词。
我想对 3 个文档调用 Tf Idf 算法并返回一个包含每个单词及其频率的 csv 文件。
在那之后，我将只取那些数字高的，然后我会使用它们。
我发现这个实现可以满足我的需要 https://github.com/mccurdyc/tf-idf/ .
我使用 subprocess 库调用该 jar。但该代码存在一个巨大的问题:它在分析单词时犯了很多错误。它混合了一些词，它在 ' 和 - 方面有问题(我认为)。我在 3 本书(哈利波特)的文本中使用它，例如，我正在获取诸如 hermiones, hermionell, riddlehermione, thinghermione 而不仅仅是 hermione 的词csv 文件。
我做错了什么吗？你能给我一个 Tf idf 算法的工作实现吗？是否有执行此操作的 Python 库？
请您参考如下方法:
这是使用 scikit-learn 实现的 Tf-idf 算法. 在申请之前，您可以word_tokenize()和 stem你的话。
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from nltk import word_tokenize
from nltk.stem.porter import PorterStemmer
def tokenize(text):
tokens = word_tokenize(text)
stems = []
for item in tokens: stems.append(PorterStemmer().stem(item))
return stems
# your corpus
text = ["This is your first text book", "This is the third text for analysis", "This is another text"]
# word tokenize and stem
text = [" ".join(tokenize(txt.lower())) for txt in text]
vectorizer = TfidfVectorizer()
matrix = vectorizer.fit_transform(text).todense()
# transform the matrix to a pandas df
matrix = pd.DataFrame(matrix, columns=vectorizer.get_feature_names())
# sum over each document (axis=0)
top_words = matrix.sum(axis=0).sort_values(ascending=False)
