TF-IDF算法解析與Python實現(xiàn)方法詳解
TF-IDF(term frequency–inverse document frequency)是一種用于信息檢索(information retrieval)與文本挖掘(text mining)的常用加權(quán)技術(shù)。比較容易理解的一個應(yīng)用場景是當(dāng)我們手頭有一些文章時,我們希望計算機能夠自動地進行關(guān)鍵詞提取。而TF-IDF就是可以幫我們完成這項任務(wù)的一種統(tǒng)計方法。它能夠用于評估一個詞語對于一個文集或一個語料庫中的其中一份文檔的重要程度。
在一份給定的文件里,詞頻 (term frequency, TF) 指的是某一個給定的詞語在該文件中出現(xiàn)的次數(shù)。這個數(shù)字通常會被歸一化(分子一般小于分母 區(qū)別于IDF),以防止它偏向長的文件。(同一個詞語在長文件里可能會比短文件有更高的詞頻,而不管該詞語重要與否。)
逆向文件頻率 (inverse document frequency, IDF) 是一個詞語普遍重要性的度量。某一特定詞語的IDF,可以由總文件數(shù)目除以包含該詞語之文件的數(shù)目,再將得到的商取對數(shù)得到。
某一特定文件內(nèi)的高詞語頻率,以及該詞語在整個文件集合中的低文件頻率,可以產(chǎn)生出高權(quán)重的TF-IDF。因此,TF-IDF傾向于過濾掉常見的詞語,保留重要的詞語。
TFIDF的主要思想是:如果某個詞或短語在一篇文章中出現(xiàn)的頻率TF高,并且在其他文章中很少出現(xiàn),則認(rèn)為此詞或者短語具有很好的類別區(qū)分能力,適合用來分類。TFIDF實際上是:TF * IDF,TF詞頻(Term Frequency),IDF反文檔頻率(Inverse Document Frequency)。TF表示詞條在文檔d中出現(xiàn)的頻率(另一說:TF詞頻(Term Frequency)指的是某一個給定的詞語在該文件中出現(xiàn)的次數(shù))。IDF的主要思想是:如果包含詞條t的文檔越少,也就是n越小,IDF越大,則說明詞條t具有很好的類別區(qū)分能力。如果某一類文檔C中包含詞條t的文檔數(shù)為m,而其它類包含t的文檔總數(shù)為k,顯然所有包含t的文檔數(shù)n=m+k,當(dāng)m大的時候,n也大,按照IDF公式得到的IDF的值會小,就說明該詞條t類別區(qū)分能力不強。(另一說:IDF反文檔頻率(Inverse Document Frequency)是指果包含詞條的文檔越少,IDF越大,則說明詞條具有很好的類別區(qū)分能力。)但是實際上,如果一個詞條在一個類的文檔中頻繁出現(xiàn),則說明該詞條能夠很好代表這個類的文本的特征,這樣的詞條應(yīng)該給它們賦予較高的權(quán)重,并選來作為該類文本的特征詞以區(qū)別與其它類文檔。這就是IDF的不足之處.
為了演示在Python中實現(xiàn)TF-IDF的方法,一些基于自然語言處理的預(yù)處理過程也會在本文中出現(xiàn)。如果你對NLTK和Scikit-Learn兩個庫還很陌生可以參考如下文章:
必要的預(yù)處理過程
首先,我們給出需要引用的各種包,以及用作處理對象的三段文本。
import nltk import math import string from nltk.corpus import stopwords from collections import Counter from nltk.stem.porter import * from sklearn.feature_extraction.text import TfidfVectorizer text1 = "Python is a 2000 made-for-TV horror movie directed by Richard \ Clabaugh. The film features several cult favorite actors, including William \ Zabka of The Karate Kid fame, Wil Wheaton, Casper Van Dien, Jenny McCarthy, \ Keith Coogan, Robert Englund (best known for his role as Freddy Krueger in the \ A Nightmare on Elm Street series of films), Dana Barron, David Bowe, and Sean \ Whalen. The film concerns a genetically engineered snake, a python, that \ escapes and unleashes itself on a small town. It includes the classic final\ girl scenario evident in films like Friday the 13th. It was filmed in Los Angeles, \ California and Malibu, California. Python was followed by two sequels: Python \ II (2002) and Boa vs. Python (2004), both also made-for-TV films." text2 = "Python, from the Greek word (πύθων/πύθωνας), is a genus of \ nonvenomous pythons[2] found in Africa and Asia. Currently, 7 species are \ recognised.[2] A member of this genus, P. reticulatus, is among the longest \ snakes known." text3 = "The Colt Python is a .357 Magnum caliber revolver formerly \ manufactured by Colt's Manufacturing Company of Hartford, Connecticut. \ It is sometimes referred to as a \"Combat Magnum\".[1] It was first introduced \ in 1955, the same year as Smith & Wesson's M29 .44 Magnum. The now discontinued \ Colt Python targeted the premium revolver market segment. Some firearm \ collectors and writers such as Jeff Cooper, Ian V. Hogg, Chuck Hawks, Leroy \ Thompson, Renee Smeets and Martin Dougherty have described the Python as the \ finest production revolver ever made."
TF-IDF的基本思想是:詞語的重要性與它在文件中出現(xiàn)的次數(shù)成正比,但同時會隨著它在語料庫中出現(xiàn)的頻率成反比下降。 但無論如何,統(tǒng)計每個單詞在文檔中出現(xiàn)的次數(shù)是必要的操作。所以說,TF-IDF也是一種基于 bag-of-word 的方法。
首先我們來做分詞,其中比較值得注意的地方是我們設(shè)法剔除了其中的標(biāo)點符號(顯然,標(biāo)點符號不應(yīng)該成為最終的關(guān)鍵詞)。
def get_tokens(text): lowers = text.lower() #remove the punctuation using the character deletion step of translate remove_punctuation_map = dict((ord(char), None) for char in string.punctuation) no_punctuation = lowers.translate(remove_punctuation_map) tokens = nltk.word_tokenize(no_punctuation) return tokens
下面的代碼用于測試上述分詞結(jié)果,Counter() 函數(shù)用于統(tǒng)計每個單詞出現(xiàn)的次數(shù)。
tokens = get_tokens(text1) count = Counter(tokens) print (count.most_common(10))
執(zhí)行上述代碼后可以得到如下結(jié)果,我們輸出了其中出現(xiàn)次數(shù)最多的10個詞。
[('the', 6), ('python', 5), ('a', 5), ('and', 4), ('films', 3), ('in', 3), ('madefortv', 2), ('on', 2), ('by', 2), ('was', 2)]
顯然,像 the, a, and 這些詞盡管出現(xiàn)的次數(shù)很多,但是它們與文檔所表述的主題是無關(guān)的,所以我們還要去除“詞袋”中的“停詞”(stop words),代碼如下:
def stem_tokens(tokens, stemmer): stemmed = [] for item in tokens: stemmed.append(stemmer.stem(item)) return stemmed
同樣,我們來測試一下上述代碼的執(zhí)行效果。
tokens = get_tokens(text1) filtered = [w for w in tokens if not w in stopwords.words('english')] count = Counter(filtered) print (count.most_common(10))
從下面的輸出結(jié)果你會發(fā)現(xiàn),之前那些缺乏實際意義的 the, a, and 等詞已經(jīng)被過濾掉了。
[('python', 5), ('films', 3), ('film', 2), ('california', 2), ('madefortv', 2), ('genetically', 1), ('horror', 1), ('krueger', 1), ('filmed', 1), ('sean', 1)]
但這個結(jié)果還是不太理想,像 films, film, filmed 其實都可以看出是 film,而不應(yīng)該把每個詞型都分別進行統(tǒng)計。這時就需要要用到我們在前面文章中曾經(jīng)介紹過的 Stemming 方法。代碼如下:
tokens = get_tokens(text1) filtered = [w for w in tokens if not w in stopwords.words('english')] stemmer = PorterStemmer() stemmed = stem_tokens(filtered, stemmer)
類似地,我們輸出計數(shù)排在前10的詞匯(以及它們出現(xiàn)的次數(shù)):
count = Counter(stemmed) print(count)
上述代碼執(zhí)行結(jié)果如下:
Counter({'film': 6, 'python': 5, 'madefortv': 2, 'california': 2, 'includ': 2, '2004': 1, 'role': 1, 'casper': 1, 'robert': 1, 'sequel': 1, 'two': 1, 'krueger': 1, 'ii': 1, 'sean': 1, 'lo': 1, 'clabaugh': 1, 'finalgirl': 1, 'wheaton': 1, 'concern': 1, 'whalen': 1, 'cult': 1, 'boa': 1, 'mccarthi': 1, 'englund': 1, 'best': 1, 'direct': 1, 'known': 1, 'favorit': 1, 'movi': 1, 'keith': 1, 'karat': 1, 'small': 1, 'classic': 1, 'coogan': 1, 'like': 1, 'elm': 1, 'fame': 1, 'malibu': 1, 'sever': 1, 'richard': 1, 'scenario': 1, 'town': 1, 'friday': 1, 'david': 1, 'unleash': 1, 'vs': 1, '2000': 1, 'angel': 1, 'nightmar': 1, 'zabka': 1, '13th': 1, 'jenni': 1, 'seri': 1, 'horror': 1, 'william': 1, 'street': 1, 'wil': 1, 'escap': 1, 'van': 1, 'snake': 1, 'evid': 1, 'freddi': 1, 'bow': 1, 'dien': 1, 'follow': 1, 'engin': 1, 'also': 1})
至此,我們就完成了基本的預(yù)處理過程。
TF-IDF的算法原理
預(yù)處理過程中,我們已經(jīng)把停詞都過濾掉了。如果只考慮剩下的有實際意義的詞,前我們已經(jīng)講過,顯然詞頻(TF,Term Frequency)較高的詞之于一篇文章來說可能是更為重要的詞(也就是潛在的關(guān)鍵詞)。但這樣又會遇到了另一個問題,我們可能發(fā)現(xiàn)在上面例子中,madefortv、california、includ 都出現(xiàn)了2次(madefortv其實是原文中的made-for-TV,因為我們所選分詞法的緣故,它被當(dāng)做是一個詞來看待),但這顯然并不意味著“作為關(guān)鍵詞,它們的重要性是等同的”。
因為”includ”是很常見的詞(注意 includ 是 include 的詞干)。相比之下,california 可能并不那么常見。如果這兩個詞在一篇文章的出現(xiàn)次數(shù)一樣多,我們有理由認(rèn)為,california 重要程度要大于 include ,也就是說,在關(guān)鍵詞排序上面,california 應(yīng)該排在 include 的前面。
于是,我們需要一個重要性權(quán)值調(diào)整參數(shù),來衡量一個詞是不是常見詞。如果某個詞比較少見,但是它在某篇文章中多次出現(xiàn),那么它很可能就反映了這篇文章的特性,它就更有可能揭示這篇文字的話題所在。這個權(quán)重調(diào)整參數(shù)就是“逆文檔頻率”(IDF,Inverse Document Frequency),它的大小與一個詞的常見程度成反比。
知道了 TF 和 IDF 以后,將這兩個值相乘,就得到了一個詞的TF-IDF值。某個詞對文章的重要性越高,它的TF-IDF值就越大。如果用公式來表示,則對于某個特定文件中的詞語 ti 而言,它的 TF 可以表示為:
其中 ni,j是該詞在文件 dj中出現(xiàn)的次數(shù),而分母則是文件 dj 中所有詞匯出現(xiàn)的次數(shù)總和。如果用更直白的表達(dá)是來描述就是,
某一特定詞語的IDF,可以由總文件數(shù)目除以包含該詞語之文件的數(shù)目,再將得到的商取對數(shù)即可:
其中,|D| 是語料庫中的文件總數(shù)。 |{j:ti∈dj}| 表示包含詞語 ti 的文件數(shù)目(即 ni,j≠0 的文件數(shù)目)。如果該詞語不在語料庫中,就會導(dǎo)致分母為零,因此一般情況下使用 1+|{j:ti∈dj}|。同樣,如果用更直白的語言表示就是
最后,便可以來計算 TF-IDF(t)=TF(t)×IDF(t)。
下面的代碼實現(xiàn)了計算TF-IDF值的功能。
def tf(word, count): return count[word] / sum(count.values()) def n_containing(word, count_list): return sum(1 for count in count_list if word in count) def idf(word, count_list): return math.log(len(count_list) / (1 + n_containing(word, count_list))) def tfidf(word, count, count_list): return tf(word, count) * idf(word, count_list)
再給出一段測試代碼:
countlist = [count1, count2, count3] for i, count in enumerate(countlist): print("Top words in document {}".format(i + 1)) scores = {word: tfidf(word, count, countlist) for word in count} sorted_words = sorted(scores.items(), key=lambda x: x[1], reverse=True) for word, score in sorted_words[:3]: print("\tWord: {}, TF-IDF: {}".format(word, round(score, 5)))
輸出結(jié)果如下:
Top words in document 1 Word: film, TF-IDF: 0.02829 Word: madefortv, TF-IDF: 0.00943 Word: california, TF-IDF: 0.00943 Top words in document 2 Word: genu, TF-IDF: 0.03686 Word: 7, TF-IDF: 0.01843 Word: among, TF-IDF: 0.01843 Top words in document 3 Word: revolv, TF-IDF: 0.02097 Word: colt, TF-IDF: 0.02097 Word: manufactur, TF-IDF: 0.01398
利用Scikit-Learn實現(xiàn)的TF-IDF
因為 TF-IDF 在文本數(shù)據(jù)挖掘時十分常用,所以在Python的機器學(xué)習(xí)包中也提供了內(nèi)置的TF-IDF實現(xiàn)。主要使用的函數(shù)就是TfidfVectorizer(),來看一個簡單的例子。
>>> corpus = ['This is the first document.', 'This is the second second document.', 'And the third one.', 'Is this the first document?',] >>> vectorizer = TfidfVectorizer(min_df=1) >>> vectorizer.fit_transform(corpus) <4x9 sparse matrix of type '<class 'numpy.float64'>' with 19 stored elements in Compressed Sparse Row format> >>> vectorizer.get_feature_names() ['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third', 'this'] >>> vectorizer.fit_transform(corpus).toarray() array([[ 0. , 0.43877674, 0.54197657, 0.43877674, 0. , 0. , 0.35872874, 0. , 0.43877674], [ 0. , 0.27230147, 0. , 0.27230147, 0. , 0.85322574, 0.22262429, 0. , 0.27230147], [ 0.55280532, 0. , 0. , 0. , 0.55280532, 0. , 0.28847675, 0.55280532, 0. ], [ 0. , 0.43877674, 0.54197657, 0.43877674, 0. , 0. , 0.35872874, 0. , 0.43877674]])
最終的結(jié)果是一個 4×9 矩陣。每行表示一個文檔,每列表示該文檔中的每個詞的評分。如果某個詞沒有出現(xiàn)在該文檔中,則相應(yīng)位置就為 0 。數(shù)字 9 表示語料庫里詞匯表中一共有 9 個(不同的)詞。例如,你可以看到在文檔1中,并沒有出現(xiàn) and,所以矩陣第一行第一列的值為 0 。單詞 first 只在文檔1中出現(xiàn)過,所以第一行中 first 這個詞的權(quán)重較高。而 document 和 this 在 3 個文檔中出現(xiàn)過,所以它們的權(quán)重較低。而 the 在 4 個文檔中出現(xiàn)過,所以它的權(quán)重最低。
最后需要說明的是,由于函數(shù) TfidfVectorizer() 有很多參數(shù),我們這里僅僅采用了默認(rèn)的形式,所以輸出的結(jié)果可能與采用前面介紹的(最基本最原始的)算法所得出之結(jié)果有所差異(但數(shù)量的大小關(guān)系并不會改變)。有興趣的讀者可以參考這里來了解更多關(guān)于在Scikit-Learn中執(zhí)行 TF-IDF 算法的細(xì)節(jié)。
總結(jié)
以上就是本文關(guān)于TF-IDF算法解析與Python實現(xiàn)方法詳解的全部內(nèi)容,希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站:
Python算法輸出1-9數(shù)組形成的結(jié)果為100的所有運算式
如有不足之處,歡迎留言指出。
記者問一個大爺:大爺,您保持亮麗的秘訣是什么?
大爺說:白天敲代碼,晚上擼系統(tǒng),姿勢不要動,眼動手動就可以。
記者:啊?大爺您是做什么工作的?
大爺:敲代碼的呀。
記者:那大爺您是本身就很喜歡光頭的嗎?
大爺:掉光的~
相關(guān)文章
Python辦公自動化之?dāng)?shù)據(jù)可視化與報表生成
在現(xiàn)代辦公環(huán)境中,數(shù)據(jù)處理和報表生成是一項重要的任務(wù),本文將高效介紹如何使用Python進行數(shù)據(jù)可視化和報表生成,讓您的辦公工作更加順利2023-07-07使用python將excel數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫過程詳解
這篇文章主要介紹了使用python將excel數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫過程詳解,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2019-08-08