TfidfVectorizer 赋予停用词高权重

Question

给定以下代码：

import pandas as pd

from sklearn.feature_extraction.text import TfidfVectorizer

import urllib.request  # the lib that handles the url stuff

from bs4 import BeautifulSoup

import unicodedata

def remove_control_characters(s):

    base = ""

    for ch in s:

        if unicodedata.category(ch)[0]!="C":

            base = base + ch.lower()

        else:

            base = base + " "

    return base 

moby_dick_url='http://www.gutenberg.org/files/2701/2701-0.txt'

soul_of_japan = 'http://www.gutenberg.org/files/12096/12096-0.txt'

def extract_body(url):

    with urllib.request.urlopen(url) as s:

        data = BeautifulSoup(s).body()[0].string

        stripped = remove_control_characters(data)

        return stripped

moby = extract_body(moby_dick_url)    

bushido = extract_body(soul_of_japan)

corpus = [moby,bushido]

vectorizer = TfidfVectorizer(use_idf=False, smooth_idf=True)

tf_idf = vectorizer.fit_transform(corpus)

df_tfidf = pd.DataFrame(tf_idf.toarray(), columns=vectorizer.get_feature_names(), index=["Moby", "Bushido"])

df_tfidf[["the", "whale"]]

我希望“鲸鱼”在“白鲸记”中的 tf-idf 得分相对较高，但在“武士道：日本之魂”中得分较低，而“the”在两者中得分较低。然而，我得到相反的结果。计算的结果是：

|       |     the   | whale    |

|-------|-----------|----------|

|Moby   | 0.707171  | 0.083146 |

|Bushido| 0.650069  | 0.000000 |

这对我来说毫无意义。谁能指出我在思考或编码中犯的错误？

Answer 1

你观察这个有两个原因。第一个是因为您传递给 Tfidf Vectorizer 的参数。您应该这样做TfidfVectorizer(use_idf=True, ...)，因为它是 tfidf 的 idf 部分（请记住，tf-idf 是词频和逆文档频率的乘积）会惩罚出现在所有文档中的单词。通过设置 TfidfVectorizer(use_idf=False, ..)，您只是在考虑词频部分，这显然会导致停用词的得分更高第二个是因为你的数据。假设您修复了上面的代码问题，您的语料库仍然非常非常小，只有两个文档。这意味着出现在两本书中的任何单词都将以相同的方式受到惩罚。“勇气”可能出现在两本书中，就像“the”一样，因此鉴于它们都出现在您的语料库的每个文档中，它们的 idf 值将是相同的，导致停用词再次获得更高的分数，因为它们的术语更大 -频率