python中表示语料库句子的一种热编码方法

Question

我是Python和Scikit学习库的初学者。目前我需要做一个NLP项目，它首先需要用一个单一的热编码来表示一个大的语料库。我读过Scikit-学习关于preprocessing.OneHotEncoder的文档，然而，它似乎不是我的术语的理解。

基本上，这一想法类似于以下内容：

• 1000000星期日；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连词来表示，这就是一个句子矩阵。然而，我试过用Python，它似乎不起作用.

我怎么才能解决这个问题？我的语料库里有很多不同的单词。

顺便说一句，如果向量大部分是用零实现的，我们可以使用Scipy.Sparse来使存储变得很小，例如，CSR。

因此，我的整个问题是：

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令牌，然后将每个令牌映射到id (对于相同的字符串总是相同)。然后将OneHotEncoder应用于该列表。结果在默认情况下是稀疏矩阵。

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(每个文档以连接形式提供一个热点向量)：

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