文本特征提取——one-hot

     独热编码即 One-Hot 编码，又称一位有效编码。其方法是使用 N位状态寄存器来对 N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。

    One-Hot 编码是分类变量作为二进制向量的表示。(1) 将分类值映射到整数值。(2) 然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。是一种十分常用的类别处理手段，当特征是离散的，无序的，就可以通过one hot 进行特征数字化，比如一个特征有高、中、低三个值，通过独热编码，就可以分别编码为001,010,100。

 

一、one-hot 编码优缺点

优点：

(1) 解决了分类器不好处理离散数据 的问题。

a. 欧式空间。在回归，分类，聚类等机器学习算法中，特征之间距离计算 或 相似度计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

 b. one-hot 编码。使用 one-hot 编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值 就 对应欧式空间的某个点。将离散型特征使用 one-hot 编码，确实会让 特征之间的距离计算 更加合理。

(2) 在一定程度上也起到了 扩充特征 的作用。

缺点：

在文本特征表示上有些缺点就非常突出了。

(1) 它是一个词袋模型，不考虑 词与词之间的顺序（文本中词的顺序信息也是很重要的）；

(2) 它 假设词与词相互独立（在大多数情况下，词与词是相互影响的）；

(3) 它得到的 特征是离散稀疏 的 (这个问题最严重)。

ps：One-Hot在分类器变量中的应用

 

      类似 SVM中，原本线性不可分的特征，经过project之后到高维之后变得可分了 GBDT处理高维稀疏矩阵的时候效果并不好，即使是低维的稀疏矩阵也未必比SVM好

import numpy as np

#分词过的语料
corpus=[
    '这 是 第一个 文档',
    '这是 第二个 文档',
    '这是 最后 一个 文档'
]

#手动实现
words=[]
for corpu in corpus:
    words.extends(corpu.split())
words=list(set(words))

#构建词表  编码
word_dict={word:index for index, word in enumerate(words)}
print(word_sict)
vocab_size=len(word_dict(

def get_one_hot(index):
    获得一个one_hot编码
    #全零矩阵
    one_hot=[0 for _in range(vocab_size)]
    #指定位置1
    one_hot[index]=1
    return np.array(one_hot)

#原始句子
print(corpus[0])
#转换成index
indexs=[word_dict[word] for word in corpus[0].split()]

#转换成one_hot
one_hot_np=np.array([get_one_hot(index) for index in indexs])
print(one_hot_np)

##Sklearn实现
from sklearn.preprocessing import LabelBinarizer

#初始化编码器
lb=LabelBinarizer()
lb.fit_transform(words)
print(lb.classes_)

#所有句子
sentence=corpus[0].split()
print(sentence)
one_hot_np2=lb.transform(sentence)
print(one_hot_np2)

#解码
print(lb.inverse_transform(one_hot_np2))

Q3:指定位置

 

 Q1：.extend()，.split()，list()，set()

 

 Q1.1：list(set())

Q2:wordL index for index

 

 Q4：for xx in xx

 Q6：师出同门，有很多for  in  的构造

不用enumerate就不行吗？

range里边一定要加上len吗？

python中for循环输出(index,value)的两种方法

index索引

value索引值

方法一、利用enumerate()

 如果是实例数组应该是没有问题的吧

不能直接for i in range？

内部必须加个数字，外边套上个range？

方法二：

Q3：jion()以需求为导向，确定哪几个种类的函数能够满足这种操作

 

from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer
import seaborn as sns
import matplotlib.pyplot as plt
import jieba
import jieba,analyse

#独热表示从一个0向量开始，若单词出现在句子或文档中，则将向量相应的条目设置为1
#英文的处理和展示

corpus=['xxx'.'xxx']
one_hot_vectorizer=CountVectorizer(binary=True)
one_hot=one_hot_vectorizer.fit_transform(corpus).toarray()
sns.heatmap(one_hot, annot=True, char=False, yticklabels=['Sentence 1','Sentence 2'])
plt.show()

 

# 中文的处理和展示
# 获取停用词列表
def get_stopwords_list(stopwordfile):
    stopwords = [line.strip() for line in open(stopwordfile, encoding='UTF-8').readlines()]
    return stopwords
 
# 移除停用词
def movestopwords(sentence):
    stopwords = get_stopwords_list('stopwords.txt')  # 这里加载停用词的路径
    santi_words = [x for x in sentence if len(x) > 1 and x not in stopwords]
    return santi_words
 
# 语料
corpus = ["小明硕士毕业于中国科学院计算所，后在日本京都大学深造。",
          "小王本科在清华大学，后在南京计算所工作和深造，后在日本早稻田大学深造",
          "小李本科在清华大学，硕士毕业于中国科学院计算所，博士在南京大学"]
newcorpus = []
for str in corpus:
    orgwordlist = jieba.lcut(str)  # jieba分词
    wordlist = movestopwords(orgwordlist)  # 移除停用词
    newword = " ".join(wordlist)  # 按照语料库要求进行空格分隔
    newcorpus.append(newword)  # 按照语料库要求转换成列表
# newcorpus
# ['小明 硕士 毕业 中国科学院 计算所 日本京都大学 深造',
# '小王 本科 清华大学 南京 计算所 工作 深造 日本早稻田大学 深造',
# '小李 本科 清华大学 硕士 毕业 中国科学院 计算所 博士 南京大学']
one_hot_vectorizer = CountVectorizer(binary=True)  # 创建词袋数据结构
one_hot = one_hot_vectorizer.fit_transform(newcorpus).toarray()  # 转换语料，并矩阵化
# 下面为热词的输出结果
# one_hot_vectorizer.vocabulary_
# {'小明': 4, '硕士': 14, '毕业': 11, '中国科学院': 0, '计算所': 15, '日本京都大学': 8, '深造': 12, '小王': 6, '本科': 10, '清华大学': 13, '南京': 1, '工作': 7, '日本早稻田大学': 9, '小李': 5, '博士': 3, '南京大学': 2}
# one_hot_vectorizer.get_feature_names()
# ['中国科学院', '南京', '南京大学', '博士', '小明', '小李', '小王', '工作', '日本京都大学', '日本早稻田大学', '本科', '毕业', '深造', '清华大学', '硕士', '计算所']
# one_hot
# [[1 0 0 0 1 0 0 0 1 0 0 1 1 0 1 1]
#  [0 1 0 0 0 0 1 1 0 1 1 0 1 1 0 1]
#  [1 0 1 1 0 1 0 0 0 0 1 1 0 1 1 1]]
sns.set_style({'font.sans-serif': ['SimHei', 'Arial']})
sns.heatmap(one_hot, annot=True, cbar=False, xticklabels=one_hot_vectorizer.get_feature_names(),
            yticklabels=['语句1', '语句2', '语句3'])
plt.show()
 
 

tfidf_vectorizer = TfidfVectorizer()  # 创建词袋数据结构
tfidf = tfidf_vectorizer.fit_transform(newcorpus).toarray()  # 转换语料，并矩阵化
# 下面为热词的输出结果
# tfidf_vectorizer.vocabulary_
# '小明': 4, '硕士': 14, '毕业': 11, '中国科学院': 0, '计算所': 15, '日本京都大学': 8, '深造': 12, '小王': 6, '本科': 10, '清华大学': 13, '南京': 1, '工作': 7, '日本早稻田大学': 9, '小李': 5, '博士': 3, '南京大学': 2}
# tfidf_vectorizer.get_feature_names()
# ['中国科学院', '南京', '南京大学', '博士', '小明', '小李', '小王', '工作', '日本京都大学', '日本早稻田大学', '本科', '毕业', '深造', '清华大学', '硕士', '计算所']
# tfidf
# [[0.35221512 0.         0.         0.         0.46312056 0.  0.         0.         0.46312056 0.         0.        0.35221512  0.35221512 0.         0.35221512 0.27352646]
#  [0.         0.35761701 0.         0.         0.         0.  0.35761701 0.35761701 0.         0.35761701 0.27197695 0.  0.54395391 0.27197695 0.         0.21121437]
#  [0.30443385 0.         0.40029393 0.40029393 0.         0.40029393  0.         0.         0.         0.         0.30443385 0.30443385  0.         0.30443385 0.30443385 0.23642005]]
sns.heatmap(tfidf, annot=True, cbar=False, xticklabels=tfidf_vectorizer.get_feature_names(),
            yticklabels=['语句1', '语句2', '语句3'], vmin=0, vmax=1, cmap="YlGnBu")
plt.show()

 

Q1：CountVectorizer(binary=True)

.fit_transform(xx)

.toarray()

.heatmap(one_hot, xxx)

 

 数据预处理中，fit(),transform()，fit_transform()

 

 

 

 Q2:停用词的什么诡异操作？

 xx  后面的  for  相当于做一步筛选