一种在python中表示语料库句子的热编码

Question

我是 Python 和 Scikit-learn 库的初学者。 我目前需要从事一个 NLP 项目，该项目首先需要通过 One-Hot Encoding 表示一个大型语料库。 我已经阅读了 Scikit-learn 关于预处理的文档。OneHotEncoder，但是，这似乎不是我对术语的理解。

基本上，思路类似如下：

• 1000000 周日； 0100000 星期一； 0010000 星期二； ... 0000001 星期六；

如果语料库只有 7 个不同的单词，那么我只需要一个 7 位向量来表示每个单词。然后，一个完整的句子可以用所有向量的合取来表示，它是一个句子矩阵。 但是，我在Python中尝试过，它似乎不起作用......

我该如何解决这个问题？我的语料库中有大量不同的词。

顺便说一句，如果向量大部分都是零，我们可以使用 Scipy.Sparse 来缩小存储空间，例如 CSR。

因此，我的整个问题将是：

语料库中的句子如何用 OneHotEncoder 表示，并存储在 SparseMatrix 中？

谢谢你们。

Answer 1

为了使用 OneHotEncoder，您可以将文档拆分为标记，然后将每个标记映射到一个 id（对于同一个字符串，它总是相同的）。然后将 OneHotEncoder 应用于该列表。结果默认为稀疏矩阵。

两个简单文档A B和B B的示例代码：

from sklearn.preprocessing import OneHotEncoder
import itertools

# two example documents
docs = ["A B", "B B"]

# split documents to tokens
tokens_docs = [doc.split(" ") for doc in docs]

# convert list of of token-lists to one flat list of tokens
# and then create a dictionary that maps word to id of word,
# like {A: 1, B: 2} here
all_tokens = itertools.chain.from_iterable(tokens_docs)
word_to_id = {token: idx for idx, token in enumerate(set(all_tokens))}

# convert token lists to token-id lists, e.g. [[1, 2], [2, 2]] here
token_ids = [[word_to_id[token] for token in tokens_doc] for tokens_doc in tokens_docs]

# convert list of token-id lists to one-hot representation
vec = OneHotEncoder(n_values=len(word_to_id))
X = vec.fit_transform(token_ids)

print X.toarray()

打印（每个文档一个连接形式的热向量）：

[[ 1.  0.  0.  1.]
 [ 0.  1.  0.  1.]]