问题描述
有没有办法从绝对频率矩阵开始获得相对频率矩阵(通过CountVectorizer方法获得)?这是使用的代码:
body = [
'the quick brown fox','the slow brown dog','the quick red dog','the lazy yellow fox'
]
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(stop_words='english')
bag_of_words = vectorizer.fit_transform(body)
from sklearn.decomposition import TruncatedSVD
svd = TruncatedSVD(n_components=2)
lsa = svd.fit_transform(bag_of_words)
我的目标是使用函数 fit_transform()
(在我代码的最后一行),而不是绝对频率矩阵,而是相对频率矩阵。特别是,我想找到一种方法将矩阵 bag_of_words
的每一行除以行本身的总和。这对我来说不是即时的,因为矩阵很稀疏。
感谢任何建议或建议。谢谢。
解决方法
这可以使用 TfidfVectorizer
而不是 CountVectorizer
来完成。但是,这需要更改以下默认参数:
- 您可以删除 tfidf 向量化器的“idf”部分,只留下词频
- 默认情况下,计数由 L2 范数归一化,您在这里想要的(通过所有计数的总和归一化)是 L1 范数
实际上,它看起来像这样:
from sklearn.feature_extraction.text import TfidfVectorizer
body = [
'the quick brown fox','the slow brown dog','the quick red dog','the lazy yellow fox'
]
vectorizer = TfidfVectorizer(use_idf=False,norm="l1")
X = vectorizer.fit_transform(body)
print(vectorizer.get_feature_names())
这将返回:
array([[0.25,0.,0.25,0. ],[0.25,[0.,0.25]])
['brown','dog','fox','lazy','quick','red','slow','the','yellow']