python - tfidf.transform() 函数没有返回正确的值

Question

我正在尝试将 tfidf 向量化器拟合到某个文本语料库，然后使用相同的向量化器来查找新文本的 tfidf 值的总和。但是，总和值并不符合预期。下面是示例:

text = ["I am new to python and R , how can anyone help me","why is no one able to crack the python code without help"]
tf= TfidfVectorizer(stop_words='english',ngram_range =(1,1))
tf.fit_transform(text)
zip(tf.get_feature_names(),tf.idf_)

[(u'able', 1.4054651081081644),
 (u'code', 1.4054651081081644),
 (u'crack', 1.4054651081081644),
 (u'help', 1.0),
 (u'new', 1.4054651081081644),
 (u'python', 1.0)]

现在，当我用新文本尝试相同的 tf 时:

new_text = "i am not able to code"
np.sum(tf.transform([new_text]))
1.4142135623730951

我预计输出在 2.80 左右。任何关于此处可能出现问题的建议都将非常有帮助。

Answer 1

这是因为“l2 规范化”(TfidfVectorizer 中的默认设置)。如您所料，transform() 的第一个结果是:

array([[ 1.40546511,  1.40546511,  0.        ,  0.        ,  0.        ,
     0.        ]])

但是现在标准化已经完成了。在此，上述向量除以除法器:

dividor = sqrt(sqr(1.40546511)+sqr(1.40546511)+sqr(0)+sqr(0)+sqr(0)+sqr(0))
        = sqrt(1.975332175+1.975332175+0+0+0+0)
        = 1.98762782

所以最后得到的数组是:

array([[ 0.70710678,  0.70710678,  0.        ,  0.        ,  0.        ,
     0.        ]])

然后您应用求和，其结果为 = 1.4142135623730951。

希望现在一切都清楚了。可以引用my answer here完成 TfidfVectorizer 的工作。