对于教程，我想手动实现 TfidfVectorizer 正在执行的操作，只是为了显示后台发生的情况。在此Stack Overflow article我发现了 TfidfVectorizer 的工作原理。这样，就可以简单地以简单的方式实现它，并且通过矢量化器的正确参数设置，输出确实是相同的。一切都好。
但是，现在我有点困惑:TfidfVectorizer 使用 CountVevtorizer 计算术语频率 tf。这意味着 tf 只是一个表示文档中术语出现次数的整数。但通常文档d中术语t的术语频率tf(t,d)定义为:
tf(t,d) = (#occurrences of t in d) / (#terms in d)
所以词频是一个介于 0 和 1 之间的值。
这是如何结合在一起的？为什么根据定义使用 TfidfVectorizer 来计算术语计数而不是(标准化)频率。我认为这没什么大不了的，但我会理解它。
最佳答案
通常，TfidfVectorizer 用作下一个构造:
from sklearn.feature_extraction.text import TfidfVectorizer
features = ['1', '2', '3', '4', '5']
data = ['string1', 'string2', 'string3', 'string4', 'string5']
tfidfve = TfidfVectorizer()
tfidfve.fit_transform(data, features)
关于python - TfidfVectorizer 与 tf-idf 的定义，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48561247/