Python Tf idf算法

我想在一组文档中找到最相关的单词。

我想在 3 个文档上调用 Tf Idf 算法，并返回一个包含每个单词及其频率的 csv 文件。

之后，我将只选取那些数字较高的并使用它们。

我发现这个实现可以满足我的需要https://github.com/mccurdyc/tf-idf/.

我用subprocess图书馆。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。它混合了一些单词，有问题' and -（我认为）。我在 3 本书（哈利·波特）的文本中使用它，例如，我获得这样的单词hermiones, hermionell, riddlehermione, thinghermione而不仅仅是hermione在 csv 文件中。

我做错了什么吗？你能给我一个 Tf idf 算法的工作实现吗？有没有一个 python 库可以做到这一点？

这是 Tf-idf 算法的实现，使用scikit学习。 在应用之前，您可以word_tokenize() and 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)