请给我一个python计算LDA模型的perplexity的方法，这个方法传入的数据是tfidf版本的corpu，最好不要用其它库的方法

LDA模型的perplexity计算方法比较复杂，需要对每个文档进行拆分为训练集和测试集两部分，然后对测试集的每个文档计算perplexity并求平均值。以下是一个简单的计算方法：

假设你已经用gensim库训练好了LDA模型，可以通过以下代码计算perplexity：

import numpy as np
from gensim.models import LdaModel

def lda_perplexity(lda_model, corpus):
    """
    计算LDA模型的perplexity
    :param lda_model: gensim中的LdaModel对象
    :param corpus: 语料库，tfidf版本的corpus
    :return: perplexity值
    """
    num_topics = lda_model.num_topics
    corpus_words = sum(cnt for doc in corpus for _, cnt in doc)

    log_perplexities = []
    for doc in corpus:
        doc_topics = lda_model.get_document_topics(doc)
        doc_words = sum(cnt for _, cnt in doc)
        doc_log_perplexity = 0
        for topic, topic_prob in doc_topics:
            topic_words = lda_model.get_topic_terms(topic)
            word_probs = np.array([lda_model.expElogbeta[wid] for wid, _ in topic_words])
            doc_word_cnt = sum(cnt for wid, cnt in doc if wid in [wid for wid, _ in topic_words])
            doc_log_perplexity += topic_prob * np.log(np.inner(word_probs, doc_word_cnt / topic_prob))
        log_perplexities.append(-doc_log_perplexity)

    return np.exp(np.mean(log_perplexities))

其中，`lda_model`是gensim中的LdaModel对象，`corpus`是语料库，tfidf版本的corpus。这个方法将返回perplexity值。

这个方法的计算过程参考了论文《Latent Dirichlet Allocation》中的公式，具体解释可以参考该论文。