[PYTHON] Vous deviendrez ingénieur dans 100 jours --Jour 68 --Programmation --A propos de TF-IDF

Cliquez ici jusqu'à hier

Cette fois sur TF-IDF.

Qu'est-ce que TF-IDF

«TF-IDF» est la fréquence des mots d'index et la fréquence inverse du document. TF (Term Frequency) fréquence de mot et ʻIDF (Inverse Document Frequency) `La rareté des mots Ce sera un produit.

{TF: Fréquence d'occurrence des mots spécifiés dans le document: \ frac {Nombre d'occurrences des mots spécifiés dans le document} {Nombre d'occurrences de tous les mots dans le document} \\ }

{IDF: Inverser la fréquence des documents (rareté du mot spécifié): log \ frac {nombre total de documents} {nombre de documents y compris le mot spécifié}}

{TFIDF (fréquence de document inversée de fréquence de mot d'index) = TF * IDF}

référence: https://ja.wikipedia.org/wiki/Tf-idf

Nombre de mots

Tout d'abord, comptons le nombre de mots dans la phrase.

Faites une phrase pour compter.

result_list = []
result_list.append('je suis un chat')
result_list.append('je suis un chat')
result_list.append('Je suis aussi')
result_list.append('S'il te plait, sois un chat')

Vous pouvez compter la fréquence des occurrences de mots avec le code suivant.

from sklearn.feature_extraction.text import CountVectorizer
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings('ignore')

count_vectorizer = CountVectorizer(token_pattern='(?u)\\b\\w+\\b')

count_vectorizer.fit(result_list)
X = count_vectorizer.transform(result_list)

print(len(count_vectorizer.vocabulary_))
print(count_vectorizer.vocabulary_)

pd.DataFrame(X.toarray(), columns=count_vectorizer.get_feature_names())

8 {'I'm': 6, 'is': 4, 'cat': 7, 'in': 1, 'is': 0, 'also': 5, 'is': 2, 'please': 3}

	y a-t-il	alors	est	Voici	Est	Aussi	je	Chat
0	1	1	0	0	1	0	1	1
1	1	1	0	0	1	0	1	1
2	0	0	1	0	0	1	1	0
3	0	0	1	2	0	0	0	1

Vous pouvez compter le nombre de fois qu'un mot apparaît dans chaque phrase.

Ensuite, trouvons TF-IDF.

Vous pouvez le trouver avec le code suivant.

from sklearn.feature_extraction.text import TfidfVectorizer
import warnings
import numpy as np
import pandas as pd
warnings.filterwarnings('ignore')

tfidf_vectorizer = TfidfVectorizer(token_pattern='(?u)\\b\\w+\\b')
tfidf_vectorizer.fit(result_list)

print(len(tfidf_vectorizer.vocabulary_))
print(tfidf_vectorizer.vocabulary_)

X = tfidf_vectorizer.fit_transform(result_list)
pd.DataFrame(X.toarray(), columns=tfidf_vectorizer.get_feature_names())

8 {'I'm': 6, 'is': 4, 'cat': 7, 'in': 1, 'is': 0, 'also': 5, 'is': 2, 'please': 3}

	y a-t-il	alors	est	Voici	Est	Aussi	je	Chat
0	0.481635	0.481635	0	0	0.481635	0	0.389925	0.389925
1	0.481635	0.481635	0	0	0.481635	0	0.389925	0.389925
2	0	0	0.553492	0	0	0.702035	0.4481	0
3	0	0	0.35157	0.891844	0	0	0	0.284626

TF-IDF a une valeur comprise entre 0 et 1. La valeur de ce qui apparaît dans de nombreuses phrases est faible. Ce qui apparaît beaucoup dans une phrase est considéré comme un mot important.

Vous pouvez le considérer comme un mot qui est plus rare à mesure qu'il se rapproche de 1.

Résumé

Il existe une méthode de vectorisation des phrases et une méthode de calcul de la rareté des mots. Comme les phrases peuvent être quantifiées, vous pourrez effectuer divers calculs.

Parce que ces méthodes sont souvent utilisées dans l'apprentissage automatique, etc. Supprimons le nom et ainsi de suite.

32 jours avant de devenir ingénieur

Informations sur l'auteur

HP d'Otsu py: http://www.otupy.net/

Youtube： https://www.youtube.com/channel/UCaT7xpeq8n1G_HcJKKSOXMw

Twitter： https://twitter.com/otupython