one-hot編碼是將標(biāo)記轉(zhuǎn)換為向量的最常用、最基本方法。下面分別講講字符級的one-hot編碼和單詞級的one-hot編碼。

單詞級的one-hot編碼

import numpy as npsamples = ['The cat sat on the mat.', 'The dog ate my homework.'] # 初始數(shù)據(jù)，本例中是一個(gè)句子，當(dāng)然也可以是一篇文章token_index = {} # 構(gòu)建數(shù)據(jù)中所有標(biāo)記的索引 for sample in samples:for word in sample.split(): # 用split方法對樣本進(jìn)行分詞，實(shí)際應(yīng)用中，可能還需要考慮到標(biāo)點(diǎn)符號if word not in token_index:token_index[word] = len(token_index) + 1 #為每個(gè)唯一單詞指定唯一索引，注意我們沒有為索引編號0指定單詞max_length = 10 # 對樣本進(jìn)行分詞，只考慮樣本前max_length單詞results = np.zeros((len(samples), max_length, max(token_index.values()) + 1)) # 將結(jié)果保存到results中 for i, sample in enumerate(samples):for j, word in list(enumerate(sample.split()))[:max_length]:index = token_index.get(word)results[i, j, index] = 1.

---

字符級的one-hot編碼

import stringsamples = ['The cat sat on the mat.', 'The dog ate my homework.'] characters = string.printable # 所有可打印的ASCII字符 token_index = dict(zip(characters, range(1, len(characters) + 1)))max_length = 50 results = np.zeros((len(samples), max_length, max(token_index.values()) + 1)) for i, sample in enumerate(samples):for j, character in enumerate(sample[:max_length]):index = token_index.get(character)results[i, j, index] = 1.

當(dāng)然，Keras也自帶了實(shí)現(xiàn)one-hot編碼的方式：

from keras.preprocessing.text import Tokenizersamples = ['The cat sat on the mat.', 'The dog ate my homework.']tokenizer = Tokenizer(num_words=1000) # i創(chuàng)建一個(gè)分詞器（tokenizer），設(shè)置為只考慮前1000個(gè)最常見的單詞tokenizer.fit_on_texts(samples) # 構(gòu)建索引單詞sequences = tokenizer.texts_to_sequences(samples) # 將字符串轉(zhuǎn)換為整數(shù)索引組成的列表one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary') #可以直接得到one-hot二進(jìn)制表示。這個(gè)分詞器也支持除# one-hot編碼外其他向量化模式word_index = tokenizer.word_index # 得到單詞索引 print('Found %s unique tokens.' % len(word_index))

更多精彩內(nèi)容，歡迎關(guān)注我的微信公眾號：數(shù)據(jù)瞎分析

總結(jié)

以上是生活随笔為你收集整理的实现对文本的简单one-hot编码的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。