用python编写一个TF-IDF算法的完整代码。 要求：使用Counter包，语料库为整个csv文件，将已分词后的csv文件中的每行信息作为一个文档，并以列表形式呈现。 第一部分为导入信息； 第二部分为统计词频； 第三部分为计算每个文档中每个词语的TF值； 第四部分为计算每个词语在所有文档中出现的文档频率IDF值； 第五部分为计算每个词语的TF-IDF值； 第六部分为TF-IDF值排序（从大到小）及信息储存。 输入输出标注清楚；输入为已分词后的评论信息的csv文件（无需再分词），输出结果为排序后的词语及TF-IDF值，且无重复词语同时出现，输出形式为csv文档；标注详细清晰；以注释形式描述所使用的公式。

以下是使用Python编写的TF-IDF算法的完整代码：

import csv
import math
from collections import Counter

# 读入已分词的csv文件，将每行信息作为一个文档，并以列表形式呈现
def load_corpus(file_path):
    corpus = []
    with open(file_path, 'r', encoding='utf-8') as f:
        reader = csv.reader(f)
        for row in reader:
            corpus.append(row)
    return corpus

# 统计词频
def count_tf(corpus):
    tf_corpus = []
    for doc in corpus:
        tf_doc = Counter(doc)
        for word in tf_doc:
            tf_doc[word] = tf_doc[word] / len(doc) # 计算TF值
        tf_corpus.append(tf_doc)
    return tf_corpus

# 计算每个词语在所有文档中出现的文档频率IDF值
def count_idf(corpus):
    idf_dict = {}
    N = len(corpus)
    for doc in corpus:
        for word in set(doc):
            idf_dict[word] = idf_dict.get(word, 0) + 1
    for word in idf_dict:
        idf_dict[word] = math.log(N / (idf_dict[word] + 1)) # 计算IDF值
    return idf_dict

# 计算每个词语的TF-IDF值
def count_tf_idf(tf_corpus, idf_dict):
    tf_idf_corpus = []
    for tf_doc in tf_corpus:
        tf_idf_doc = {}
        for word in tf_doc:
            tf_idf_doc[word] = tf_doc[word] * idf_dict.get(word, 0) # 计算TF-IDF值
        tf_idf_corpus.append(tf_idf_doc)
    return tf_idf_corpus

# 对TF-IDF值进行排序，并保存结果到csv文件中
def sort_tf_idf(tf_idf_corpus, output_path):
    sorted_dict_list = []
    for tf_idf_doc in tf_idf_corpus:
        sorted_dict = {k: v for k, v in sorted(tf_idf_doc.items(), key=lambda item: item[1], reverse=True)}
        sorted_dict_list.append(sorted_dict)

    words = set()
    for sorted_dict in sorted_dict_list:
        words.update(sorted_dict.keys())

    with open(output_path, 'w', newline='', encoding='utf-8') as f:
        writer = csv.writer(f)
        writer.writerow(['word', 'tf-idf'])
        for word in words:
            for i, sorted_dict in enumerate(sorted_dict_list):
                tf_idf_value = sorted_dict.get(word, '')
                if tf_idf_value != '':
                    writer.writerow([word, tf_idf_value])
                    break

# 主函数
def main(input_path, output_path):
    corpus = load_corpus(input_path)
    tf_corpus = count_tf(corpus)
    idf_dict = count_idf(corpus)
    tf_idf_corpus = count_tf_idf(tf_corpus, idf_dict)
    sort_tf_idf(tf_idf_corpus, output_path)

if __name__ == '__main__':
    input_path = 'input.csv' # 输入文件路径
    output_path = 'output.csv' # 输出文件路径
    main(input_path, output_path)

注释：

- `load_corpus`函数：读入已分词的csv文件，将每行信息作为一个文档，并以列表形式呈现。
- `count_tf`函数：统计词频，并计算每个文档中每个词语的TF值。
- `count_idf`函数：计算每个词语在所有文档中出现的文档频率IDF值。
- `count_tf_idf`函数：计算每个词语的TF-IDF值。
- `sort_tf_idf`函数：对TF-IDF值进行排序，并保存结果到csv文件中。
- `main`函数：主函数，依次调用上述函数。