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),………]用Python编写

在Python中，我们可以使用`scikit-learn`库来计算每行文本的TF-IDF值，并按降序排序。首先，需要安装这个库，如果还没有的话，可以使用`pip install scikit-learn`命令。

这是一个简单的例子：

from sklearn.feature_extraction.text import TfidfVectorizer

# 假设我们有两行文本数据
texts = [
    "我爱北京",
    "小明毕业了"
]

# 创建TfidfVectorizer对象
vectorizer = TfidfVectorizer()

# 转换文本到TF-IDF向量
tfidf_matrix = vectorizer.fit_transform(texts)

# 获取词汇表（所有单词）
vocab = vectorizer.get_feature_names_out()

# 对每行TF-IDF矩阵按列求和得到每个词的TF-IDF值
row_sums = tfidf_matrix.sum(axis=1).tolist()

# 将文本和对应的TF-IDF值打包成列表，按降序排列
sorted_data = sorted(zip(texts, row_sums), key=lambda x: x[1], reverse=True)

# 输出结果
for i, text in enumerate(sorted_data):
    print(f"语句 {i+1}: {[(vocab[j], text[1][j]) for j in range(len(vocab))]}")

在这个示例中，`zip`函数将文本和它们的TF-IDF值对应起来，然后`sorted`函数根据TF-IDF值的总和降序排列。注意，由于原始数据只有两行，实际应用中可能会更复杂，比如从文件或数据库读取大量文本数据。