如何使用 TfIdfVectorizer 查找重要单词？

Posted 2023-03-12

【中文标题】如何使用 TfIdfVectorizer 查找重要单词？

【英文标题】：How to find important words using TfIdfVectorizer?

【发布时间】：2021-05-11 10:33:37

【问题描述】：

考虑下面的例子。代表文件的重要词是“Bob”和“Sara”。但是对于max_features，输出往往会显示频繁出现的单词。当语料库很大时，情况会变得更糟。我们怎么才能只得到重要的词？

from sklearn.feature_extraction.text import TfidfVectorizer
import pandas as pd


corpus = [
    'hi, my name is Bob.',
    'hi, my name is Sara.'
]

vectorizer = TfidfVectorizer(max_features=2)
X = vectorizer.fit_transform(corpus).todense()


df = pd.DataFrame(X, columns=vectorizer.get_feature_names())

输出：

,hi,is
0,0.7071067811865475,0.7071067811865475
1,0.7071067811865475,0.7071067811865475

【参考方案1】：

如果增加 max_features：

vectorizer = TfidfVectorizer(max_features=10)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X, columns=vectorizer.get_feature_names())
print(df)
   bob       hi       is       my     name      sara 
0  0.574962  0.40909  0.40909  0.40909  0.40909  0.000000 
1  0.000000  0.40909  0.40909  0.40909  0.40909  0.574962

您可以看到 sara 和 bob 非常重要，因为它们的 tfidf 较高，而另一个较小且相等，这很有意义，因为在两个句子中都重复了。

请注意，如 here。如max_features： “如果不是无，则构建一个仅考虑按语料库中的词频排序的最高 max_features 的词汇表。”所以它可能会像以前的情况一样删除更有用的词。

也许您可能对max_df 或min_df 选项更感兴趣：

vectorizer = TfidfVectorizer(max_df=0.5)
X = vectorizer.fit_transform(corpus).todense()
df = pd.DataFrame(X, columns=vectorizer.get_feature_names())
print(df)
   bob  sara
0  1.0   0.0
1  0.0   1.0

也许最好尝试不同的方法，直到您了解正在发生的事情。

从另一个角度来看，删除一些停用词也可能很好。

【讨论】：

谢谢。那么下面的陈述会引出这10个重要特征吗？ "max_features=10, max_df=0.5"

视情况而定。你应该玩一下，直到你掌握为止。我将功能增加到最大，以查看外观。因为问题是如此之小，您实际上可以全部使用它们。

我明白了。但是如果语料库非常大并且看不到差异怎么办。有没有办法以高可靠性做到这一点？

我会阻止单词并删除停用词。在那之后，我会尝试看看我可以在计算能力和时间方面引入多少功能。之后，我将删除其中的一些。可能使用 max_df。

谢谢，有道理。所以你不推荐max_features参数吧？