one-hot 和 TF-IDF是目前最為常見的用於提取文字特徵的方法，本文主要介紹兩種方法的思想以及優缺點。

1. one-hot

1.1 one-hot編碼

　　什麼是one-hot編碼？one-hot編碼，又稱獨熱編碼、一位有效編碼。其方法是使用N位狀態暫存器來對N個狀態進行編碼，每個狀態都有它獨立的暫存器位，並且在任意時候，其中只有一位有效。舉個例子，假設我們有四個樣本（行），每個樣本有三個特徵（列），如圖：

上圖中我們已經對每個特徵進行了普通的數字編碼：我們的feature_1有兩種可能的取值，比如是男/女，這裡男用1表示，女用2表示。那麼one-hot編碼是怎麼搞的呢？我們再拿feature_2來說明：

這裡feature_2 有4種取值（狀態），我們就用4個狀態位來表示這個特徵，one-hot編碼就是保證每個樣本中的單個特徵只有1位處於狀態1，其他的都是0。

對於2種狀態、三種狀態、甚至更多狀態都是這樣表示，所以我們可以得到這些樣本特徵的新表示：

one-hot編碼將每個狀態位都看成一個特徵。對於前兩個樣本我們可以得到它的特徵向量分別為

1.2 one-hot在提取文字特徵上的應用

　　one hot在特徵提取上屬於詞袋模型（bag of words）。關於如何使用one-hot抽取文字特徵向量我們通過以下例子來說明。假設我們的語料庫中有三段話：

　　　　我愛中國

　　　　爸爸媽媽愛我

　　　　爸爸媽媽愛中國

我們首先對預料庫分離並獲取其中所有的詞，然後對每個此進行編號：

　　　　1 我； 2 愛； 3 爸爸； 4 媽媽；5 中國

然後使用one hot對每段話提取特徵向量：

　；；

因此我們得到了最終的特徵向量為

　　　　我愛中國 　->　　　1，1，0，0，1

　　　　爸爸媽媽愛我　　->　　1，1，1，1，0

　　　　爸爸媽媽愛中國　　->　　0，1，1，1，1

優缺點分析

優點：一是解決了分類器不好處理離散資料的問題，二是在一定程度上也起到了擴充特徵的作用（上面樣本特徵數從3擴充套件到了9）

缺點：在文字特徵表示上有些缺點就非常突出了。首先，它是一個詞袋模型，不考慮詞與詞之間的順序（文字中詞的順序資訊也是很重要的）；其次，它假設詞與詞相互獨立（在大多數情況下，詞與詞是相互影響的）；最後，它得到的特徵是離散稀疏的。

 sklearn實現one hot encode

from sklearn import preprocessing  
      
enc = preprocessing.OneHotEncoder()  # 建立物件
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])   # 擬合
array = enc.transform([[0,1,3]]).toarray()  # 轉化
print(array)

2. TF-IDF

　　IF-IDF是資訊檢索（IR）中最常用的一種文字表示法。演算法的思想也很簡單，就是統計每個詞出現的詞頻（TF），然後再為其附上一個權值引數（IDF）。舉個例子：

　　現在假設我們要統計一篇文件中的前10個關鍵詞，應該怎麼下手？首先想到的是統計一下文件中每個詞出現的頻率（TF），詞頻越高，這個詞就越重要。但是統計完你可能會發現你得到的關鍵詞基本都是“的”、“是”、“為”這樣沒有實際意義的詞（停用詞），這個問題怎麼解決呢？你可能會想到為每個詞都加一個權重，像這種”停用詞“就加一個很小的權重（甚至是置為0），這個權重就是IDF。下面再來看看公式：

IF應該很容易理解就是計算詞頻，IDF衡量詞的常見程度。為了計算IDF我們需要事先準備一個語料庫用來模擬語言的使用環境，如果一個詞越是常見，那麼式子中分母就越大，逆文件頻率就越小越接近於0。這裡的分母+1是為了避免分母為0的情況出現。TF-IDF的計算公式如下：

根據公式很容易看出，TF-IDF的值與該詞在文章中出現的頻率成正比，與該詞在整個語料庫中出現的頻率成反比，因此可以很好的實現提取文章中關鍵詞的目的。

優缺點分析

優點：簡單快速，結果比較符合實際

缺點：單純考慮詞頻，忽略了詞與詞的位置資訊以及詞與詞之間的相互關係。

 sklearn實現tfidf

from sklearn.feature_extraction.text import CountVectorizer  
from sklearn.feature_extraction.text import TfidfTransformer

tag_list = ['青年 吃貨 唱歌',  
            '少年 遊戲 叛逆',  
            '少年 吃貨 足球'] 

vectorizer = CountVectorizer() #將文字中的詞語轉換為詞頻矩陣  
X = vectorizer.fit_transform(tag_list) #計算個詞語出現的次數
"""
word_dict = vectorizer.vocabulary_
{'唱歌': 2, '吃貨': 1, '青年': 6, '足球': 5, '叛逆': 0, '少年': 3, '遊戲': 4}
"""

transformer = TfidfTransformer()  
tfidf = transformer.fit_transform(X)  #將詞頻矩陣X統計成TF-IDF值  
print(tfidf.toarray())