编写TF-IDF算法函数利用提供的三国演义文档验证，并利用jieba中的分析包中的函数计算验证。，写相关python代码

TF-IDF (Term Frequency-Inverse Document Frequency) 算法是一种常用的文本特征提取方法，用于评估词语对于一个文档集合的重要性。以下是使用Python编写的一个简单的TF-IDF函数示例，同时结合了jieba分词库：

首先，你需要安装`jieba`库和相关的`sklearn`库（如果你还没有安装的话），可以使用以下命令安装：

pip install jieba scikit-learn numpy

然后，你可以按照下面的代码实现TF-IDF：

import jieba.analyse
from sklearn.feature_extraction.text import TfidfVectorizer

# 假设你已经有了一个包含《三国演义》文档内容的列表
documents = [
    "曹操挟天子以令诸侯", 
    "诸葛亮草船借箭", 
    "刘备三顾茅庐", 
    # ... 更多的文档
]

def compute_tfidf(documents):
    # 使用jieba进行中文分词
    processed_documents = [jieba.lcut(doc) for doc in documents]

    # 将分词后的文本转换为字符串，方便TfidfVectorizer处理
    processed_text = [' '.join(document) for document in processed_documents]

    # 创建TfidfVectorizer实例并计算TF-IDF向量
    vectorizer = TfidfVectorizer()
    tfidf_matrix = vectorizer.fit_transform(processed_text)

    return tfidf_matrix, vectorizer.get_feature_names_out()

tfidf_matrix, feature_names = compute_tfidf(documents)
print("TF-IDF矩阵:", tfidf_matrix)
print("关键词列表:", feature_names)