tfidfVectorizer个人理解_tfidfvectorizer函数

导入方法：from sklearn.feature_extraction.text import TfidfVectorizer
功能：将原生文档转化成tfidf矩阵
英文文档有天然的空格分隔符，但是中文没有，在使用tfidfvectorizer时，如果是中文，注意要先分词（因为tfidf的计算原理是基于词语的），如果中文不事先分词的话，tfidfvectorizer会把每个句子作为一个特征。

中文未分词的时候，可以看到一句话就是一个特征。

tfidfvectorizer与countvectorizer的区别：countervectorizer中将tfidf值换成每个文本中词语出现的次数即可，在调用两者的时候，参数稍微有点不同。
tfidfvectorizer()的参数 —spyder中ctrl+鼠标点击函数名 可查看函数原型。部分参数的含义如下：

1. max_df、min_df设置考虑的词频范围；

2. max_features设置考虑的最大词语数（按tfidf值的高低选top
   n个），可用来限制转化后的文档的长度；

3. use_idf 是否是否逆文档频率，为flase时统计的仅是tf值；

4. smooth_idf 默认是True, 计算tfidf值时，为了防止除数是0，会假设一个文档里面包含了所有词语；

5. sublinear_tf 用1+log(tf) 代替tf；

6. ngram_range (min,max) 词语组成长度范围，默认是(1,1) 比如一个文档是[‘i love nlp’] ngram_range=(1,3)时，得到的词语特征是{“i”,“love”,“nlp”,“i love”,“love nlp” ,“ilove nlp”}；

7. token_pattern 正则匹配模式，默认"(?u)\b\w\w+\b" ?u表示对大小写不敏感，\b可理解为空格， \w表示匹配一个字母或数字或下划线或汉字，\w+ 表示匹配一个或多个字母或者数字或者下划线或汉字。默认模式会忽略单个字符，比如文本中有“花儿 真 漂亮 ” “真”这单个词匹配不到的，可根据自己的需求来调整，常见的匹配模式是“（?u)\b\w+\b” 可以匹配到单个字符。