import jieba
import jieba.posseg as pseg
import os
import sys
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
if __name__ == "__main__":
corpus = [
"我 来到 北京 清华大学", #第一类文本切词后的结果，词之间以空格隔开
"他 来到 了 网易 杭研 大厦", #第二类文本的切词结果
"小明 硕士 毕业 与 中国 科学院", #第三类文本的切词结果
"我 爱 北京 天安门"
] #第四类文本的切词结果
vectorizer = CountVectorizer(
) #该类会将文本中的词语转换为词频矩阵，矩阵元素a[i][j] 表示j词在i类文本下的词频
transformer = TfidfTransformer() #该类会统计每个词语的tf-idf权值
tfidf = transformer.fit_tansform(vectorizer.fit_transform(
corpus)) #第一个fit_transform是计算tf-idf，第二个fit_transform是将文本转为词频矩阵
word = vectorizer.get_feature_names() #获取词袋模型中的所有词语
weight = tfidf.toarray() #将tf-idfdf矩阵抽取出来，元素a[i][j]表示j词在i类文本中的tf-idf权重
for i in range(
len(weight)): #打印每类文本的tf-idf词语权重，第一个for遍历所有文本，第二个for便利某一类文本下的词语权重
print(u"-------这里输出第", i, u"类文本的词语tf-idf权重------")
for j in range(len(word)):
print(word[j], weight[i][j])
