获得每一份文件的最高条目-科技信托基金-以色列国防军

Question

在用scikit的tf-国防军向量机矢量化多个文档时，是否有办法获得每个文档中最“有影响力”的术语？

不过，我只找到了在整个语料库中获得最有影响力的术语的方法，而不是每个文档。

Answer 1

假设您从一个数据集开始：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import numpy as np
from sklearn.datasets import fetch_20newsgroups

d = fetch_20newsgroups()

使用计数向量器和tfidf：

count_vect = CountVectorizer()
X_train_counts = count_vect.fit_transform(d.data)
transformer = TfidfTransformer()
X_train_tfidf = transformer.fit_transform(X_train_counts)

现在您可以创建一个逆映射：

m = {v: k for (k, v) in count_vect.vocabulary_.items()}

这给了每个医生一个有影响力的词：

[m[t] for t in np.array(np.argmax(X_train_tfidf, axis=1)).flatten()]

Answer 2

在Ami的最后两个步骤中，只需再添加一种方法即可。

# Get a list of all the keywords by calling function
feature_names = np.array(count_vect.get_feature_names())
feature_names[X_train_tfidf.argmax(axis=1)]