python TF-IDF算法实现文本关键词提取

Python  /  管理员 发布于 7年前   160

TF（Term Frequency）词频，在文章中出现次数最多的词，然而文章中出现次数较多的词并不一定就是关键词，比如常见的对文章本身并没有多大意义的停用词。所以我们需要一个重要性调整系数来衡量一个词是不是常见词。该权重为IDF（Inverse Document Frequency）逆文档频率，它的大小与一个词的常见程度成反比。在我们得到词频（TF）和逆文档频率（IDF）以后，将两个值相乘，即可得到一个词的TF-IDF值，某个词对文章的重要性越高，其TF-IDF值就越大，所以排在最前面的几个词就是文章的关键词。

TF-IDF算法的优点是简单快速，结果比较符合实际情况，但是单纯以“词频”衡量一个词的重要性，不够全面，有时候重要的词可能出现的次数并不多，而且这种算法无法体现词的位置信息，出现位置靠前的词和出现位置靠后的词，都被视为同样重要，是不合理的。

TF-IDF算法步骤：

（1）、计算词频：

词频 = 某个词在文章中出现的次数

考虑到文章有长短之分，考虑到不同文章之间的比较，将词频进行标准化

词频 = 某个词在文章中出现的次数/文章的总词数

词频 = 某个词在文章中出现的次数/该文出现次数最多的词出现的次数

（2）、计算逆文档频率

需要一个语料库（corpus）来模拟语言的使用环境。

逆文档频率 = log(语料库的文档总数/(包含该词的文档数 + 1))

（3）、计算TF-IDF

TF-IDF = 词频（TF）* 逆文档频率（IDF）

详细代码如下：

#!/usr/bin/env python#-*- coding:utf-8 -*- '''计算文档的TF-IDF'''import codecsimport osimport mathimport shutil #读取文本文件def readtxt(path): with codecs.open(path,"r",encoding="utf-8") as f:  content = f.read().strip() return content #统计词频def count_word(content): word_dic ={} words_list = content.split("/") del_word = ["\r\n","/s"," ","/n"] for word in words_list:  if word not in del_word:   if word in word_dic:    word_dic[word] = word_dic[word]+1   else:    word_dic[word] = 1 return word_dic #遍历文件夹def funfolder(path): filesArray = [] for root,dirs,files in os.walk(path):  for file in files:   each_file = str(root+"//"+file)   filesArray.append(each_file) return filesArray  #计算TF-IDFdef count_tfidf(word_dic,words_dic,files_Array): word_idf={} word_tfidf = {} num_files = len(files_Array) for word in word_dic:  for words in words_dic:   if word in words:    if word in word_idf:     word_idf[word] = word_idf[word] + 1    else:     word_idf[word] = 1 for key,value in word_dic.items():  if key !=" ":   word_tfidf[key] = value * math.log(num_files/(word_idf[key]+1))  #降序排序 values_list = sorted(word_tfidf.items(),key = lambda item:item[1],reverse=True) return values_list #新建文件夹def buildfolder(path): if os.path.exists(path):  shutil.rmtree(path) os.makedirs(path) print("成功创建文件夹！") #写入文件def out_file(path,content_list): with codecs.open(path,"a",encoding="utf-8") as f:  for content in content_list:   f.write(str(content[0]) + ":" + str(content[1])+"\r\n") print("well done!") def main(): #遍历文件夹 folder_path = r"分词结果" files_array = funfolder(folder_path) #生成语料库 files_dic = [] for file_path in files_array:  file = readtxt(file_path)  word_dic = count_word(file)  files_dic.append(word_dic) #新建文件夹 new_folder = r"tfidf计算结果" buildfolder(new_folder)  #计算tf-idf,并将结果存入txt i=0 for file in files_dic:  tf_idf = count_tfidf(file,files_dic,files_array)  files_path = files_array[i].split("//")  #print(files_path)  outfile_name = files_path[1]  #print(outfile_name)  out_path = r"%s//%s_tfidf.txt"%(new_folder,outfile_name)  out_file(out_path,tf_idf)  i=i+1 if __name__ == '__main__': main()

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。