用python编写一个词语逆频率方式计算加权算法 （TF-IWF）算法的完整代码。 其中TF部分的公式为：给定词ti在文本j出现的频数/文本j中所有词语的频数和; IWF部分的公式为：语料库中所有词语的频数之和/给定词ti在语料库中的总频数; TF-IWF的公式为：TF×IWF 要求：输入输出标注清楚；输入为已分词后的txt文档，输出结果为排序后的词语及TF-IWF值，输出形式为xlsx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-IWF算法的完整代码，使用了pandas和openpyxl库进行数据处理和导出：

import pandas as pd
from collections import Counter
from openpyxl import Workbook

# 读取已分词的文本文件
def read_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        text = f.read()
    return text

# 计算TF
def calculate_tf(text):
    word_list = text.split()
    word_count = Counter(word_list)
    total_count = len(word_list)
    tf = {}
    for word, count in word_count.items():
        tf[word] = count / total_count
    return tf

# 计算IWF
def calculate_iwf(text_list):
    word_count = Counter(text_list)
    total_count = sum(word_count.values())
    iwf = {}
    for word, count in word_count.items():
        iwf[word] = total_count / count
    return iwf

# 计算TF-IWF
def calculate_tf_iwf(tf, iwf):
    tf_iwf = {}
    for word in tf.keys():
        tf_iwf[word] = tf[word] * iwf[word]
    return tf_iwf

# 将结果导出到Excel文件
def export_excel(tf_iwf):
    wb = Workbook()
    ws = wb.active
    ws.title = "TF-IWF"
    ws['A1'] = "词语"
    ws['B1'] = "TF-IWF值"
    row = 2
    for word, value in sorted(tf_iwf.items(), key=lambda x: x[1], reverse=True):
        ws.cell(row=row, column=1, value=word)
        ws.cell(row=row, column=2, value=value)
        row += 1
    wb.save("TF-IWF.xlsx")

if __name__ == "__main__":
    # 读取已分词的文本文件
    file_path = "text.txt"
    text = read_file(file_path)

    # 计算TF
    tf = calculate_tf(text)

    # 计算IWF
    text_list = text.split()
    iwf = calculate_iwf(text_list)

    # 计算TF-IWF
    tf_iwf = calculate_tf_iwf(tf, iwf)

    # 导出结果到Excel文件
    export_excel(tf_iwf)

其中，read_file函数用于读取已分词的文本文件；calculate_tf函数用于计算TF值，使用了Python内置的Counter函数统计单词出现的频次；calculate_iwf函数用于计算IWF值，使用了Counter函数统计语料库中单词的频次；calculate_tf_iwf函数用于计算TF-IWF值；export_excel函数用于将结果导出到Excel文件中。