我正在做一个临床文本分类项目。在我的语料库中，数据已经用代码标记（例如：768.2、V13.02、V13.09、599.0 ...）。我已经将文本和标签分开，然后使用嵌入文字的文本。我将把它们输入卷积神经网络。但是，标签需要编码，我阅读了情感文本分类和 mnist 的示例，但它们都使用整数来对数据进行分类，我的标签为文本形式，这说明为什么我不能像它们一样使用 one-hot 编码。任何人都可以建议任何方法吗？ 谢谢
【问题讨论】：
标签： python encoding tensorflow text-classification
离散文本标签可通过创建枚举映射轻松转换为离散数值数据。例如，假设标签“是”、“否”和“也许”：
No -> 0
Yes -> 1
Maybe -> 2
现在您有了数字数据，以后可以将其转换回来（只要算法将这些数据视为离散值并且不返回 0.5 或类似的值）。
如果每个实例都可以有多个标签，正如您在评论中所说，您可以通过将每个标签放在一列中来创建编码（“one-hot encoding”）。即使某些软件没有实现该现成的，手动完成也不难。
这是一个使用 Panda 的 get_dummies 函数的非常简单的示例（说实话写得不好）：
import numpy as np
import pandas as pd
labels = np.array(['a', 'b', 'a', 'c', 'ab', 'a', 'ac'])
df = pd.DataFrame(labels, columns=['label'])
ndf = pd.get_dummies(df)
ndf.label_a = ndf.label_a + ndf.label_ab + ndf.label_ac
ndf.label_b = ndf.label_b + ndf.label_ab
ndf.label_c = ndf.label_c + ndf.label_ac
ndf = ndf.drop(['label_ab', 'label_ac'], axis=1)
ndf
label_a label_b label_c
0 1.0 0.0 0.0
1 0.0 1.0 0.0
2 1.0 0.0 0.0
3 0.0 0.0 1.0
4 1.0 1.0 0.0
5 1.0 0.0 0.0
6 1.0 0.0 1.0
您现在可以训练多变量模型以输出 label_a、label_b 和 label_c 的值，然后重建原始标签，如“ab”。只需确保输出在集合 [0, 1] 中（通过应用 softmax-layer 或类似的东西）。
【讨论】：
观看这个 4 分钟的视频（Corsera：ML 分类（华盛顿大学）-> 第 1 周 -> 编码分类输入） https://www.coursera.org/learn/ml-classification/lecture/kCY0D/encoding-categorical-inputs
有两种编码方式：
一次热编码
词袋（我认为在这种情况下这是更合适的方法）
下图描述了词袋法的工作原理。文本可以说来自它的 10,000 个不同的单词，或者更多，更多，数百万。因此，Bag of Words 所做的就是获取该文本，然后将其编码为计数。
编辑 1
Python实现：访问http://www.python-course.eu/text_classification_python.php
【讨论】：