python - 对于 scikit-learn 中的每个文件，如何从 TF-idf 向量中获取最高频率项？

Question

我正在尝试从 scikit-learn 中的向量中获取最高频率的术语。从示例中可以对每个类别使用它，但我希望对类别内的每个文件使用它。

https://github.com/scikit-learn/scikit-learn/blob/master/examples/document_classification_20newsgroups.py

    if opts.print_top10:
        print "top 10 keywords per class:"
        for i, category in enumerate(categories):
            top10 = np.argsort(clf.coef_[i])[-10:]
            print trim("%s: %s" % (
            category, " ".join(feature_names[top10])))

我想对测试数据集中的每个文件而不是每个类别执行此操作。我应该在哪里寻找？

谢谢

编辑:s/discrimitive/最高频率/g(抱歉造成混淆)

Answer 1

您可以将转换结果与 get_feature_names 一起使用来获取给定文档的术语计数。

X = vectorizer.transform(docs)
terms = np.array(vectorizer.get_feature_names())
terms_for_first_doc = zip(terms, X.toarray()[0])