如何获取TfidfVectorizer生成特征词的对应词频？

TfidfVectorizer本身只计算TF-IDF权重，没有直接存储原始词频，但可以通过以下方式获取特征词的词频：

方法一：用CountVectorizer同步统计（推荐） #

只要让CountVectorizer和TfidfVectorizer的预处理参数（分词、停用词、大小写转换等）保持一致，两者的特征词列表就完全匹配，直接用CountVectorizer统计词频即可：

from sklearn.feature_extraction.text import TfidfVectorizer, CountVectorizer

corpus = [
    'This is the first document.',
    'This document is the second document.',
    'And this is the third one.',
    'Is this the first document?',
]

# 初始化两个向量器，参数保持一致
tfidf_vec = TfidfVectorizer()
count_vec = CountVectorizer()

# 分别拟合语料
tfidf_vec.fit_transform(corpus)
count_matrix = count_vec.fit_transform(corpus)

# 获取特征词列表
feature_words = tfidf_vec.get_feature_names_out()

# 统计每个词的总出现次数
total_counts = count_matrix.sum(axis=0).A1

# 打包成字典，方便查询
word_freq = dict(zip(feature_words, total_counts))

# 打印结果
for word, freq in word_freq.items():
    print(f"{word}: {freq}")

运行后会输出每个特征词在所有文档中的总出现次数，比如document会显示5次，完全匹配语料中的实际出现情况。

方法二：通过TfidfVectorizer倒推（不推荐） #

TF-IDF的计算公式是tf * idf，其中的tf是经过归一化处理的（默认L2归一化），要还原原始词频需要先取消归一化，再结合idf值计算，步骤繁琐且容易出错，因此更推荐用第一种方法。

内容的提问来源于stack exchange，提问作者james pow