做nlp的时候，如果用到tf-idf，sklearn中用CountVectorizer与TfidfTransformer两个类，下面对和两个类进行讲解
一、训练以及测试
CountVectorizer与TfidfTransformer在处理训练数据的时候都用fit_transform方法，在测试集用transform方法。fit包含训练的意思，表示训练好了去测试，如果在测试集中也用fit_transform，那显然导致结果错误。
#变量：content_train 训练集，content_test测试集
vectorizer = CountVectorizer()
tfidftransformer = TfidfTransformer()
#训练 用fit_transform
count_train=vectorizer.fit_transform(content_train)
tfidf = tfidftransformer.fit_transform(count_train)
#测试
count_test=vectorizer.transform(content_test)
test_tfidf = tfidftransformer.transform(count_test)
测试集的if-idf
test_weight = test_tfidf.toarray()
二、tf-idf词典的保存
我们总是需要保存tf-idf的词典，然后计算测试集的tfidf，这里要注意sklearn中保存有两种方法：pickle与joblib。我们这里用pickle
1 train_content = segmentWord(X_train) 2 test_content = segmentWord(X_test) 3 # replace 必须加，保存训练集的特征 4 vectorizer = CountVectorizer(decode_error="replace") 5 tfidftransformer = TfidfTransformer() 6 # 注意在训练的时候必须用vectorizer.fit_transform、tfidftransformer.fit_transform 7 # 在预测的时候必须用vectorizer.transform、tfidftransformer.transform 8 vec_train = vectorizer.fit_transform(train_content) 9 tfidf = tfidftransformer.fit_transform(vec_train) 10 11 # 保存经过fit的vectorizer 与 经过fit的tfidftransformer,预测时使用 12 feature_path = 'models/feature.pkl' 13 with open(feature_path, 'wb') as fw: 14 pickle.dump(vectorizer.vocabulary_, fw) 15 16 tfidftransformer_path = 'models/tfidftransformer.pkl' 17 with open(tfidftransformer_path, 'wb') as fw: 18 pickle.dump(tfidftransformer, fw)
注意：vectorizer 与tfidftransformer都要保存，而且只能 fit_transform 之后保存，表示vectorizer 与tfidftransformer已经用训练集训练好了。
三、tf-idf加载，测试新数据
1 # 加载特征 2 feature_path = 'models/feature.pkl' 3 loaded_vec = CountVectorizer(decode_error="replace", vocabulary=pickle.load(open(feature_path, "rb"))) 4 # 加载TfidfTransformer 5 tfidftransformer_path = 'models/tfidftransformer.pkl' 6 tfidftransformer = pickle.load(open(tfidftransformer_path, "rb")) 7 #测试用transform，表示测试数据，为list 8 test_tfidf = tfidftransformer.transform(loaded_vec.transform(test_content))