TF-IDF算法——原理及实现

TF-IDF算法是一种用于信息检索与数据挖掘的常用加权技术。TF的意思是词频(Term - frequency),IDF的意思是逆向文件频率（inverse Document frequency）.

TF-IDF是传统的统计算法，用于评估一个词在一个文档集中对于某一个文档的重要程度。它与这个词在当前文档中的词频成正比，与文档集中的其他词频成反比。

首先说一下TF（词频）的计算方法，TF指的是当前文档的词频，，在这个公式中，分子表示的是改词在某一文档中出现的次数，分母表示在该文档中所有关键词出现的次数之和。

然后来说下IDF(逆向词频)的计算方法，IDF指的是某个词汇普遍性的度量。，这个公式中，log内的部分，分子表示的是文档集中文档的个数，分母表示的是包含当前关键词的文档的个数，对于这个分数取对数，得到的就是，当前词汇的IDF的值。

下面，我来介绍下通过python对TF-IDF算法的设计及实现：

对象1：文章集（属性：文章对象的集合，包含关键字的文章数）

对象1： 文章（属性：关键词对象的集合；关键词出现的总次数；关键词对应对象的字典）

对象2：文章-关键词（属性：关键词名称；关键词在当前文章中出现的次数；TF_IDF）

实现流程：

1、创建文章对象，初始关键字的Map集

2、遍历关键字，每遍历一个关键字，

2.1 关键词出现的总次数加一

2.2 判断文章关键字中是够存在当前关键字，如果存在，找出他，加一，如果不存在，创建一个文章关键字对象，塞到文章的关键字的集中去；

2.3 若果这个关键字是第一次出现，则记录关键字出现的文章数(如果关键字在关键字-文章数 字典中存在，则文章数+1，否则将其加入到关键字-文章数字典中，并赋初始值1)

2.4 遍历完成，文章的关于关键词的Map集装载完成，然后将当前的文章add到文章集的对象中去

3 遍历文章集，计算出关键字对应的TF-IDF，并输出

实现代码：（实现代码以读取一个文件模拟多个文档）

# TF_IDF.py
# -*- coding: utf-8 -*-
import  jieba
import  math

class DocumentSet():
    documentList = []
    key_Count = {}  #关键词对应的文章数

class Document():
     docKeySumCount=0  #文章中所有关键词总次数
     docKeySet={}  #关键词对象列表
     def __init__(self,docid):
         self.docid = docid

class DocKey():
    docKeyCount = 1 #当前关键词在当前文章中出现的次数
    TF_IDF = 0  #当前关键词的TF-IDF值
    def __init__(self,word):
        self.word = word
f = open("C:/Users/zw/Desktop/key-words.txt", 'r')
line='start'
docList = DocumentSet()
while line:
    line = f.readline()
    datafile = line.split('\t')
    if(datafile.__len__()>=2):
        doc = Document(datafile[0])
        wordList = list(jieba.cut(datafile[1]))
        for i in wordList:
            doc.docKeySumCount = doc.docKeySumCount + 1
            if i not in doc.docKeySet.keys():
                doc.docKeySet[i] = DocKey(i)
            else:
                doc.docKeySet[i].docKeyCount = doc.docKeySet[i].docKeyCount+1
            #记录包含关键词的文章数
            if doc.docKeySet[i].docKeyCount <= 1:
                if i not in docList.key_Count.keys():
                    docList.key_Count[i]=1
                else:
                    docList.key_Count[i]=docList.key_Count[i]+1
    docList.documentList.append(doc)
f.close()
for d in docList.documentList:
    for k in d.docKeySet.keys():
        d.docKeySet[k].TF_IDF = d.docKeySet[k].docKeyCount/d.docKeySumCount + math.log(docList.documentList.__len__()/docList.key_Count[k])
        print ('文章id :%s  关键字【%s】的TF-IDF值为:%s',d.docid ,k,  d.docKeySet[k].TF_IDF)