我在阅读关于scikit-learn的TfidfVectorizer实现时，不明白该方法的输出是什么，例如：

new_docs = ['He watches basketball and baseball', 'Julie likes to play basketball', 'Jane loves to play baseball']new_term_freq_matrix = tfidf_vectorizer.transform(new_docs)print tfidf_vectorizer.vocabulary_print new_term_freq_matrix.todense()

输出：

{u'me': 8, u'basketball': 1, u'julie': 4, u'baseball': 0, u'likes': 5, u'loves': 7, u'jane': 3, u'linda': 6, u'more': 9, u'than': 10, u'he': 2}[[ 0.57735027  0.57735027  0.57735027  0.          0.          0.          0.   0.          0.          0.          0.        ] [ 0.          0.68091856  0.          0.          0.51785612  0.51785612   0.          0.          0.          0.          0.        ] [ 0.62276601  0.          0.          0.62276601  0.          0.          0.   0.4736296   0.          0.          0.        ]]

这是什么？（例如：u’me’: 8）：

{u'me': 8, u'basketball': 1, u'julie': 4, u'baseball': 0, u'likes': 5, u'loves': 7, u'jane': 3, u'linda': 6, u'more': 9, u'than': 10, u'he': 2}

这是矩阵还是只是一个向量？我无法理解输出在告诉我什么：

[[ 0.57735027  0.57735027  0.57735027  0.          0.          0.          0.   0.          0.          0.          0.        ] [ 0.          0.68091856  0.          0.          0.51785612  0.51785612   0.          0.          0.          0.          0.        ] [ 0.62276601  0.          0.          0.62276601  0.          0.          0.   0.4736296   0.          0.          0.        ]]

有人能详细解释一下这些输出吗？

谢谢！

回答：

TfidfVectorizer – 将文本转换为可作为估计器输入的特征向量。

vocabulary_ 是一个字典，将每个标记（词）转换为矩阵中的特征索引，每个唯一标记都有一个特征索引。

这是什么？（例如：u’me’: 8）

它告诉你标记’me’在输出矩阵中被表示为特征编号8。

这是矩阵还是只是一个向量？

每句话是一个向量，你输入的句子组成了一个包含3个向量的矩阵。在每个向量中，数字（权重）代表特征的tf-idf得分。例如：’julie’: 4 –> 告诉你每当句子中出现’Julie’时，你将有一个非零的（tf-idf）权重。如你在第二个向量中看到的：

[ 0. 0.68091856 0. 0. 0.51785612 0.51785612 0. 0. 0. 0. 0. ]

第五个元素得分为0.51785612 – ‘Julie’的tf-idf得分。关于Tf-Idf评分的更多信息，请阅读这里：http://en.wikipedia.org/wiki/Tf%E2%80%93idf