我正在使用scikit-learn从“词袋”文本中提取文本特征（文本按单个词进行分词）。为此，我使用了TfidfVectorizer，以减少非常频繁的词（例如：“a”, “the”等）的权重。

text = 'Some text, with a lot of words...'tfidf_vectorizer = TfidfVectorizer(    min_df=1,  # 相关词汇的最小计数    max_features=4000,  # 特征的最大数量    strip_accents='unicode',  # 将所有带重音的unicode字符替换为相应的ASCII字符    analyzer='word',  # 由单词组成的特征    token_pattern=r'\w{4,}',  # 仅对4个字符以上的词进行分词    ngram_range=(1, 1),  # 由单个标记组成的特征    use_idf=True,  # 启用逆文档频率重新加权    smooth_idf=True,  # 防止未见词的零除错误    sublinear_tf=False)# 向量化并重新加权desc_vect = tfidf_vectorizer.fit_transform([text])

现在我想将每个预测的特征与其对应的tfidf浮点值链接起来，并存储在一个字典中

{'feature1:' tfidf1, 'feature2': tfidf2, ...}

我通过使用以下方法实现了这一点

d = dict(zip(tfidf_vectorizer.get_feature_names(), desc_vect.data))

我想知道是否有更好的、scikit-learn原生的方法来做这件事。

非常感谢。

回答：

对于单个文档来说，这样做应该没问题。另一种方法，当文档集较小时，可以使用我这个配方，它使用了Pandas。

如果你想对多个文档执行此操作，那么你可以调整DictVectorizer.inverse_transform中的代码：

desc_vect = desc_vect.tocsr()n_docs = desc_vect.shape[0]tfidftables = [{} for _ in xrange(n_docs)]terms = tfidf_vectorizer.get_feature_names()for i, j in zip(*desc_vect.nonzero()):    tfidftables[i][terms[j]] = X[i, j]