《自然語言處理技術》代碼42所示。代碼STYLEREF1\s4SEQ代碼\*ARABIC\s12準備文本數據text_data=["真正的虛心，是自己毫無成見，思想完全解放，不受任何束縛，對一切采取實事求是的態度，具體分析情況對于任何方面反映的意見，都要加以考慮，不要聽不進去。","德育目標：在語文學習活動中，不斷充實精神生活，完善自我人格，提升人生境界，逐步加深對個人與國家、個人與社會、個人與自然關系的思考與認識。從而樹立積極向上的人生理想",]創建TF-IDF向量化器創建一個TF-IDF向量化器對象vectorizer，如REF_Ref133681793\h代碼43所示。代碼STYLEREF1\s4SEQ代碼\*ARABIC\s13創建TF-IDF向量化器#創建TF-IDF向量化器vectorizer=TfidfVectorizer()進行文本向量化使用fit_transform()方法對文本數據進行向量化，并將向量化后的結果存儲在vectorized_data變量中，如REF_Ref133684239\h代碼44所示。代碼STYLEREF1\s4SEQ代碼\*ARABIC\s14進行文本向量化#將文本數據向量化vectorized_data=vectorizer.fit_transform(text_data)輸出文本向量化結果獲取特征詞列表，并遍歷每個文本示例的向量化結果。對于每個特征詞，輸出它在當前文本示例中的TF-IDF值，如REF_Ref133684257\h代碼45所示。代碼STYLEREF1\s4SEQ代碼\*ARABIC\s15輸出文本向量化結果#獲取特征詞列表feature_names=vectorizer.get_feature_names()#輸出特征詞列表print("特征詞列表:")foriinrange(len(text_data)):#獲取當前文本示例的向量化結果row=vectorized_data[i]#輸出當前文本示例的索引print(f"文本示例{i+1}:")#遍歷當前文本示例的非零特征詞索引和對應的TF-IDF值forj,valueinzip(row.indices,row.data):#輸出特征詞和對應的TF-IDF值print(f"特征詞:{feature_names[j]},TF-IDF值:{value:.3f}")#輸出換行符，用于分隔不同的文本示例print('')運行代碼STYLEREF1\s4SEQ代碼\*ARABIC\s15，得到文本數據的特征詞和對應的TF-IDF值如下。特征詞列表:文本示例1:特征詞:不要聽不進去,TF-IDF值:0.354特征詞:都要加以考慮,TF-IDF值:0.354特征詞:具體分析情況對于任何方面反映的意見,TF-IDF值:0.354特征詞:對一切采取實事求是的態度,TF-IDF值:0.354特征詞:不受任何束縛,TF-IDF值:0.354特征詞:思想完全解放,TF-IDF值:0.354特征詞:是自己毫無成見,TF-IDF值:0.354特征詞:真正的虛心,TF-IDF值:0.354文本示例2:特征詞:從而樹立積極向上的人生理想,TF-IDF值:0.333特征詞:個人與自然關系的思考與認識,TF-IDF值:0.333特征詞:個人與社會,TF-IDF值:0.333特征詞:逐步加深對個人與國家,TF-IDF值:0.333特征詞:提升人生境界,TF-IDF值:0.333特征詞:完善自我人格,TF-ID