tfidf.transform（）函数未返回正确的值

Question

我正在尝试将tfidf矢量化器适合特定的文本语料库，然后使用相同的矢量化器来查找新文本的tfidf值的总和，但是，总和值不符合预期。下面是示例：

text = ["I am new to python and R , how can anyone help me","why is no one able to crack the python code without help"]
tf= TfidfVectorizer(stop_words='english',ngram_range =(1,1))
tf.fit_transform(text)
zip(tf.get_feature_names(),tf.idf_)

[(u'able', 1.4054651081081644),
 (u'code', 1.4054651081081644),
 (u'crack', 1.4054651081081644),
 (u'help', 1.0),
 (u'new', 1.4054651081081644),
 (u'python', 1.0)]

现在，当我尝试tf使用新文本进行相同操作时：

new_text = "i am not able to code"
np.sum(tf.transform([new_text]))
1.4142135623730951

我预计输出约为2.80。关于这里可能出问题的任何建议都会非常有帮助。

Answer 1

这是由于“ l2归一化”（TfidfVectorizer中的默认设置）。如您所料，的第一个结果transform()是：

array([[ 1.40546511,  1.40546511,  0.        ,  0.        ,  0.        ,
     0.        ]])

但是现在标准化已完成。在这种情况下，上述向量被除法器除：

dividor = sqrt(sqr(1.40546511)+sqr(1.40546511)+sqr(0)+sqr(0)+sqr(0)+sqr(0))
        = sqrt(1.975332175+1.975332175+0+0+0+0)
        = 1.98762782

因此，最终的数组为：

array([[ 0.70710678,  0.70710678,  0.        ,  0.        ,  0.        ,
     0.        ]])

然后应用求和，其结果为= 1.4142135623730951。

希望现在清楚了。您可以在这里参考我的回答，以完成TfidfVectorizer的工作。