TF-IDF适合短文本、规则语料，计算快、可解释性强；TextRank基于图排序，更贴合语义，适合长文本与专业领域。选择取决于文本特点：重速度与复现选TF-IDF，重语义与专业性选TextRank，清洗与参数调优至关重要。
Python做文本关键词提取，常用方法是TF-IDF和TextRank——前者基于统计，适合短文本、规则语料；后者基于图排序，更贴近人类阅读逻辑，对长文本、语义连贯性要求高的场景效果更好。选哪个不绝对，关键看你的文本特点和用途。
TF-IDF关键词提取：简单高效，适合批量预处理
TF-IDF（词频-逆文档频率）衡量一个词在当前文档中的重要程度：词频高 + 在其他文档中少见 = 权重高。它不理解语义，但计算快、可解释性强，常用于搜索引擎初筛或特征工程。
- 用sklearn.feature_extraction.text.TfidfVectorizer一键向量化，再用get_feature_names_out()拿到词汇表
- 对单篇文档提取关键词，建议先fit_transform整个语料库（保证IDF准确），再取出该文档的TF-IDF向量，按值降序取top-k
- 记得清洗：小写、去停用词、过滤标点和数字（可用jieba分词+自定义停用词表，尤其中文必须先分词）
- 示例：一篇“机器学习入门教程”里，“梯度下降”“过拟合”“交叉验证”通常比“的”“是”“我们”TF-IDF值高得多
TextRank关键词提取：无监督、语义感知，适合内容摘要类任务
TextRank把词语当作节点，共现关系（如窗口内相邻）当作边，跑PageRank算法打分。它不需要训练数据，能自动发现有代表性的、上下文支撑强的词，更适合新闻、报告、论文等长文本。
- 推荐用jieba.analyse.textrank（中文）或pke库（多语言、可调参）
- 核心参数是窗口大小（默认5）和迭代次数（默认100）：窗口太小漏关联，太大引入噪声；迭代不足收敛慢
- 中文务必先分词且过滤掉单字词（如“学”“模”）和低频词，否则会拉低质量
- 它倾向返回名词性短语（如“支持向量机”比“支持”得分高），天然适合关键词而非单纯高频词
实战对比与选择建议
同一段技术文档，TF-IDF可能抽出“Python”“代码”“实现”这类通用词；TextRank更可能给出“随机森林”“特征工程”“AUC评估”等专业术语——因为它看重的是词在局部上下文里的“中心性”，不是孤立频率。
立即学习“Python免费学习笔记（深入）”；
- 要速度快、可复现、配合分类/聚类用 → 选TF-IDF
- 文本较长、领域专业、希望关键词带语义组合 → 选TextRank
- 想进一步提升效果，可融合两者：用TextRank初筛，再用TF-IDF加权重排序；或用BERT等模型生成词向量后做相似度聚类
- 别跳过清洗：中文没分词=全乱套；英文注意词形还原（lemmatization）而非简单stemming
基本上就这些。两种方法都不复杂，但容易忽略清洗和参数适配。动手跑一遍，对比输出，比看十篇理论更管用。
