一、TF-IDF的主要思想
1、计算词频
词频（TF） = 某个词在文章中的出现次数
文章有长短之分，为了便于不同文章的比较,做"词频"标准化。
词频（TF） = 某个词在文章中的出现次数 / 文章总词数
或者 词频（TF） = 某个词在文章中的出现次数 / 拥有最高词频的词的次数
2、某个词在文章中的出现次数
这时，需要一个语料库（corpus），用来模拟语言的使用环境。
逆文档频率（IDF） = log（语料库的文档总数/包含该词的文档总数+1）
3、计算TF-IDF
TF-IDF = 词频（TF) * 逆文档频率（IDF）
可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。
所以，自动提取关键词的算法就是计算出文档的每个词的TF-IDF值，
然后按降序排列，取排在最前面的几个词。
从上表可见，"蜜蜂"的TF-IDF值最高，"养殖"其次，"中国"最低。（如果还计算"的"字的TF-IDF，那将是一个极其接近0的值。）
所以，如果只选择一个词，"蜜蜂"就是这篇文章的关键词。
总结：
TF-IDF算法的优点是简单快速，结果比较符合实际情况。
缺点是，单纯以"词频"衡量一个词的重要性，不够全面，有时重要的词可能出现次数并不多。
而且，这种算法无法体现词的位置信息，出现位置靠前的词与出现位置靠后的词，都被视为重要性相同，这是不正确的。
（一种解决方法是，对全文的第一段和每一段的第一句话，给予较大的权重。）
二、TF-IDF的代码实现
sklearn中TfidfVectorizer函数的参数说明：
https://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.text.TfidfVectorizer.html
代码运行截图：
参考博客：
https://www.cnblogs.com/cppb/p/5976266.html
https://blog.csdn.net/devcy/article/details/89071572