質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.51%

  • Python 3.x

    9796questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

TF-IDF値が一定値以上の単語を印字させる

解決済

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 960
退会済みユーザー

退会済みユーザー

前提・実現したいこと

指定したテキストファイルからTF-IDF値が一定値以上の単語を印字したい

発生している問題・エラーメッセージ

TF-IDF値が一定値以上を超えた単語のTF-IDF値自体を印字させることはできたが、
条件を満たした単語を印字させるにはどのようなすれば良いのかが分かりません。

可能であれば単語のインデックスとTF-IDF値を一つの構造体としてまとめたいのですが、
とりあえずは単語の表示をさせたいと思っています。

エラーメッセージ
###該当のソースコード
# -*- coding: utf-8 -*-
#TF-IDF計算(一定値以上に絞り込み可能)
#指定したテキストファイル(日本語は分かち書きされたもののみ)に対応

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer

#CountVectorizer():文書ごとの単語の出現頻度を取得
count = CountVectorizer()

#文書を指定
docs = input('select file(ex,○○.txt):')
docs_name = docs
f = open(docs, encoding = 'utf-8')
docs = f.readlines()
f.close()

#絞り込みの基準を設定
level = float(input('set level(0.0 < level < 1.0):'))

#文書を表示
print('\n%s = %s\n' %(docs_name, docs))

#N種類の文字列を0からN-1までの整数に置き換える
bag = count.fit_transform(docs)
TF = bag.toarray()

#ディクショナリを表示
dic = count.get_feature_names()
print('dictionary = %s\n' %dic)

#各単語のインデックスを表示
idx = count.vocabulary_
print('%s内の各単語のインデックス\n%s\n' %(docs_name, idx))

#各文書内の各単語の出現回数(TF)を表示(0番の回数→1番の回数→…)
print('%s内のTF =\n%s\n' %(docs_name, TF))

#TfidfTransformer:(文書内の)TF-IDFを計算
tfidf = TfidfTransformer(use_idf = True, norm = 'l2', smooth_idf = True)
np.set_printoptions(precision = 2)
TF_IDF = tfidf.fit_transform(bag).toarray()

#一定値以上のTF-IDF値のみに絞り込む
TF_IDF_sel = TF_IDF[np.where(level <= TF_IDF)]

#一定値以上のTF-IDF値の単語のみに絞り込む


#TF-IDFを表示
print('%s内のTF-IDF(%s以上) =\n%s' %(docs_name, level, TF_IDF_sel))

試したこと

課題に対してアプローチしたことを記載してください

補足情報(言語/FW/ツール等のバージョンなど)

Pythonに慣れていないので見づらいコードで申し訳ありません

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • quiqui

    2017/07/10 16:37

    ソースコードの前後行に ``` を追加してソースが正しく見えるようにしてもらえないでしょうか。 https://teratail.com/help

    キャンセル

回答 1

checkベストアンサー

+1

最後にTF-IDF値でフィルタをかけている部分

#一定値以上のTF-IDF値のみに絞り込む
TF_IDF_sel = TF_IDF[np.where(level <= TF_IDF)]
print(TF_IDF_sel)

にて、
 TF_IDF[np.where(level <= TF_IDF)]としてそのままフィルタを書けるのではなく、zip(*np.where(level <= TF_IDF))のように記述することでポジション(x,y)データのリストを得ることができます。
ですので、これをつかってループを回すとよいのではないでしょうか。

こんな感じ

#一定値以上のTF-IDF値のみに絞り込む
for idx, word in zip(*np.where(level <= TF_IDF)):
    print("DOC:{}, WORD:{}, TF-IDF:{}".format(idx, dic[word], TF_IDF[(idx,word)]))

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

同じタグがついた質問を見る

  • Python 3.x

    9796questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。