Lendo a matriz documento-termo
Entenda linhas, colunas e esparsidade.
Lendo a matriz documento-termo é uma aula grátis de NLP Academy no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de NLP Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de NLP Academy inclui 4 aulas no total.
O que é o DTM?
Uma matriz documento-termo é uma grade de contagens. Cada linha é um documento e cada coluna é uma palavra do seu vocabulário. 🧮
As linhas são documentos
Uma linha contém o vetor completo de contagens de um único documento, resumindo quantas vezes cada palavra apareceu nele.
As colunas são termos
Cada coluna acompanha uma palavra em todos os documentos; assim, ler uma coluna de cima para baixo mostra onde essa palavra aparece.
Uma célula é uma contagem
O valor na linha i e coluna j indica quantas vezes a palavra j apareceu no documento i: uma única contagem.
Verifique a dimensão
A dimensão da matriz informa com quantos documentos e quantas palavras únicas você está trabalhando.
print(X.shape) # (n_documents, n_words)A maioria das células é zero
Qualquer documento usa apenas algumas das milhares de palavras, portanto a matriz é composta principalmente por zeros e é chamada de esparsa.
Por que a esparsidade importa
Armazenar apenas valores diferentes de zero mantém matrizes enormes na memória. É por isso que o scikit-learn retorna um formato esparso.
Identifique as colunas
Associe a matriz aos nomes das características para torná-la legível. Um DataFrame transforma contagens brutas em uma tabela clara.
import pandas as pd
df = pd.DataFrame(X.toarray(), columns=names)Leia um documento
Observe uma única linha para ver o perfil desse documento: quais palavras ele usa e com que frequência. Essa linha é a sua impressão digital.
Compare dois documentos
Documentos semelhantes têm linhas semelhantes. Comparar vetores permite medir quão próximos estão dois textos em termos de conteúdo.
Da matriz ao modelo
Essa matriz é a entrada fornecida a um classificador. O DTM contém as características, e seus rótulos são os alvos.
Verificação rápida
Em uma matriz documento-termo, o que uma célula contém?
Recapitulação: o DTM
Você leu a matriz documento-termo: linhas como documentos, colunas como palavras, células como contagens, e viu por que ela é esparsa. 🎉
Perguntas Frequentes
A aula “Lendo a matriz documento-termo” é grátis?
Sim — o texto completo de “Lendo a matriz documento-termo” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de NLP Academy, atualize para CoddyKit PRO. O curso de NLP Academy inclui 4 aulas no total.
O que vou aprender em “Lendo a matriz documento-termo”?
Entenda linhas, colunas e esparsidade. Você pratica NLP Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar NLP Academy?
Nenhuma experiência prévia é necessária. NLP Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Lendo a matriz documento-termo”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de NLP Academy?
Sim. Cada aula de NLP Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Por que os modelos precisam de números, não palavras
- Criando um vocabulário
- Contando com CountVectorizer
- Lendo a matriz documento-termo