如何按分类统计词频？已获取矢量化DataFrame与vectorizer.vocabulary_

Hey 👋，别着急！我来一步步帮你搞定按分类统计词汇词频的问题，其实核心就是把文档级的词频聚合到分类级别，再把词汇索引映射回实际词汇就行。

先理清楚你的现有资源 #

从你的描述来看，你已经有：

• 一个分类×词汇的DataFrame（行是分类，列是词汇，单元格是对应词频）
• vectorizer.vocabulary_：词汇到列索引的映射字典（比如{'the': 17480}）

如果你的目标是把所有词汇（包括vocabulary_里的所有词）都按分类统计词频，或者完善现有DataFrame的词汇覆盖，咱们可以这么做：

步骤1：生成索引到词汇的反向映射 #

vectorizer.vocabulary_是「词汇→索引」的映射，我们需要把它转成「索引→词汇」的反向字典，方便后续对应矩阵列：

# 生成索引到词汇的反向字典
idx_to_word = {idx: word for word, idx in vectorizer.vocabulary_.items()}

步骤2：从文档级词频聚合到分类级（如果还没得到分类汇总） #

如果你现在只有文档×词汇的原始矢量化矩阵（比如vectorizer.transform(texts)得到的稀疏矩阵），先把它转成带分类的DataFrame，再分组求和：

import pandas as pd

# 假设你有：原始文本对应的分类列表categories，以及矢量化后的矩阵X
df = pd.DataFrame(X.toarray(), columns=vectorizer.get_feature_names_out())
df['category'] = categories  # 给每个文档添加对应的分类列

# 按分类分组，对所有词汇列求和，得到每个分类下的词汇总词频
category_word_freq = df.groupby('category').sum()

步骤3：完善你已有的分类-词汇DataFrame #

如果你已经有开头提到的那个DataFrame，但想补充vocabulary_里的所有词汇，可以用reindex补全缺失的词汇（缺失的词频自动设为0）：

# 获取vectorizer包含的所有词汇列表
all_words = list(vectorizer.vocabulary_.keys())
# 重新索引现有DataFrame，补充缺失词汇
full_category_freq = your_existing_df.reindex(columns=all_words, fill_value=0)

关键小提示 #

• 别手动匹配vocabulary_的索引！直接用vectorizer.get_feature_names_out()就能得到和矩阵列完全对应的词汇列表，比自己排序字典靠谱多了~
• 如果你的矢量化矩阵是稀疏矩阵（比如csr_matrix），数据量很大时可以用pd.DataFrame.sparse.from_spmatrix(X)创建DataFrame，比转成数组更高效。

这样你就能清晰看到每个分类下各个词汇的总出现次数啦，新手可以先拿小样本测试一下，验证结果是否符合预期哦😉

内容的提问来源于stack exchange，提问作者Viktor.w