使用Sklearn的TfidfVectorizer转换

Question

我正在尝试使用Sklearn的TfidfVectorizer对象获取单个文档的tf idf向量。我基于一些培训文档创建了一个词汇表，并使用fit_transform来培训TfidfVectorizer。然后，我想找到任何给定测试文档的tf-idf向量。

from sklearn.feature_extraction.text import TfidfVectorizer

self.vocabulary = "a list of words I want to look for in the documents".split()
self.vect = TfidfVectorizer(sublinear_tf=True, max_df=0.5, analyzer='word', 
                 stop_words='english')
self.vect.fit_transform(self.vocabulary)

...

doc = "some string I want to get tf-idf vector for"
tfidf = self.vect.transform(doc)

问题是，这将返回一个包含n行的矩阵，其中n是我的文档字符串的大小。我希望它只返回一个向量，表示整个字符串的tf idf。我怎样才能将字符串看作一个单独的文档，而不是将每个字符看作一个文档？另外，我对文本挖掘还很陌生，所以如果我在概念上做错了什么，那就很好了。如有任何帮助，我们将不胜感激。

Answer 1

如果只想计算给定词汇表的tf idf，请使用vocabulary参数到TfidfVectorizer构造函数

vocabulary = "a list of words I want to look for in the documents".split()
vect = TfidfVectorizer(sublinear_tf=True, max_df=0.5, analyzer='word', 
           stop_words='english', vocabulary=vocabulary)

然后，要拟合，即计算计数，使用给定的corpus，即一个iterable文档，请使用fit：

vect.fit(corpus)

方法fit_transform是

vect.fit(corpus)
corpus_tf_idf = vect.transform(corpus) 

最后，transform方法接受一个语料库，因此对于单个文档，您应该将其作为列表传递，或者将其视为可输入的符号，每个符号都是一个文档。

doc_tfidf = vect.transform([doc])