python写TF-IDF方法

TF-IDF（term frequency-inverse document frequency）是一种在文本挖掘、信息检索、自然语言处理等领域中广泛使用的算法，用于衡量某一个词在文档中的重要性。

在 Python 中，可以使用 scikit-learn 库中的 TfidfVectorizer 类来实现 TF-IDF 算法。

首先，需要导入 TfidfVectorizer 类：

from sklearn.feature_extraction.text import TfidfVectorizer

然后，实例化 TfidfVectorizer 类，并传入相应的参数：

vectorizer = TfidfVectorizer(input='content', # 输入的是文本内容
                             encoding='utf-8', # 编码格式
                             decode_error='strict', # 解码错误的处理方式
                             strip_accents=None, # 是否移除音调字符
                             lowercase=True, # 是否将文本转化为小写
                             preprocessor=None, # 预处理函数
                             tokenizer=None, # 分词函数
                             analyzer='word', # 分析器，可以是 'word' 或者 'char'
                             stop_words=None, # 停用词列表
                             token_pattern=r'(?u)\b\w\w+\b', # 分词模式
                             ngram_range=(1, 1), # n-gram 范围
                             max_df=1.0, # 最大文档频率
                             min_df=1, # 最小文档频率
                             max_features=None, # 最大特征数
                             vocabulary=None, # 词汇表
                             binary=False, # 是否进行二进制编码
                             dtype=<class 'numpy.float64'>) # 矩阵的数据类型

接下来，使用 fit_transform 方法对文本进行 fit 和 transform：