计算每一行文本的 TF-IDF 值，按照 TF-IDF 值的大小以降序形式输出。 输出示例：语句 1：[(‘我’:0.8), (‘北京’:0.7),………] 语句 2：[(‘小明’:0.8), (‘毕业’:0.7),………]

TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本挖掘技术，用于评估一个词对于一个文档集合的重要性。它通过计算词汇在文档中的频率（Term Frequency，TF）和在整个文档集合中出现频率的倒数（Inverse Document Frequency，IDF），综合得出每个词的TF-IDF值。

如果你想要对每行文本计算TF-IDF值并按降序排序，通常会经历以下几个步骤：

1. 分词：将每行文本拆分成单独的词语。
2. 计算TF：统计每个词语在当前行文中的出现次数，并除以总词数，得到词频。
3. 计算IDF：在整个文档集中，找出包含这个词的文档总数，然后取其倒数并加上一个小常数（如log_e(文档总数+1)），防止IDF为0。
4. 计算TF-IDF：将TF乘以IDF，得到最终的TF-IDF值。
5. 按TF-IDF值降序排序：将每个词语及其对应的TF-IDF值存储在一个列表或数据结构中，并按TF-IDF值从大到小排列。

举例来说，假设我们有两行文本：
- 语句 1：“我爱北京天安门”
- 语句 2：“小明大学毕业了”

经过处理后的输出结果可能会像这样（这里只给出部分关键词语及TF-IDF值，实际完整结果会更长）：

语句 1：[('我', 0.67), ('北京', 0.33), ('天安门', 0.25)]（这里只是近似值）
语句 2：[('小明', 0.67), ('毕业', 0.5)]（同样，这是简化的例子）

注意，由于TF-IDF涉及到整个文档集的信息，所以这里并没有给出具体的数值，实际应用中需要结合具体的数据集进行计算。