one-hot编码

什么是one-hot编码

• one-hot编码，又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。举个例子，假设我们有四个样本（行），每个样本有三个特征（列），如下图：

• 我们拿feature2来说明：这里feature2有4种取值（状态），我们就用4个状态位来表示这个特征，one-hot编码就是保证每个样本中的单个特征只有1位处于状态1,其他的都是0。
  

• 对于2种状态、3种状态、甚至更多状态都可以这样表示，所以我们可以得到这些样本特征的新表示，入下图：

  

  one-ho编码将每个状态位都看成一个特征。对于前两个样本我们可以得到它的特征向量分别为

  Sample_1--->[0,1,1,0,0,0,1,0,0]
  Sample_2--->[1,0,0,1,0,0,0,1,0]
  1
  2

one-hot在提取文本特征上的应用

• one hot在特征提取上属于词袋模型(bag of words)。关于如何使用one-hot抽取文本特征向量我们通过以下例子来说明。假设我们的语料库中有三段话：

  • 我爱中国

  • 爸爸妈妈爱我

  • 爸爸妈妈爱中国

  我们首先对预料库分词，并获取其中所有的词，然后对每个此进行编号：
  1我；2爱；3爸爸；4妈妈；5中国
  然后使用one hot对每段话提取特征向量：

  

  因此我们得到了最终的特征向量为
  我爱中国->(1,1,0,0,1)
  爸爸妈妈爱我->(1,1,1,1,0)
  爸爸妈妈爱中国->(0,1,1,1,1)

  优缺点分析

  优点：

  • 一是解决了分类器不好处理离散数据的问题
  • 二是在一定程度上也起到了扩充特征的作用(上面样本特征数从3扩展到了9)

  缺点：

  • 它是一个词袋模型，不考虑词与词之间的顺序
  • 它假设词与词相互独立(在大多数情况下，词与词是相互影响的)
  • 它得到的特征是离散稀疏的；

手动实现one-hot编码

import numpy as np


samples = ['他 毕业 于 哈佛大学', '他 就职 于 工科院计算机研究所']
# 分完词之后一般要将词典索引做好，一般叫token_index
token_index = {}
for sample in samples:
    for word in sample.split():
        if word not in token_index:
            token_index[word] = len(token_index)+1


print(len(token_index))
print(token_index)

# 构造one—hot编码
results = np.zeros(shape=(len(samples), len(token_index)+1, max(token_index.values())+1))

for i, sample in enumerate(samples):  # 索引
    for j, word in list(enumerate(sample.split())):   # 对list组进行链接
        index = token_index.get(word)   # 索引和word对应
        print(i, j, index, word)
        results[i, j, index] = 1

print(results)



# 改进的算法
results2 = np.zeros(shape=(len(samples),max(token_index.values())+1) )
for i, sample in enumerate(samples):
    for _, word in list(enumerate(sample.split())):
        index = token_index.get(word)
        results2[i, index] = 1

print(results2)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

运行结果

Keras中one-hot编码的实现

Keras分词器Tokenizer的办法介绍

• Tokenizer是一个用于向量化文本，或将文本转换为序列(即单词在字典中的下标形成的列表，从1算起)的类。Tokenizer实际上只是生成了一个字典，并且统计了词频等信息，并没有把文本转成须要的向量示意。
• from keras.preprocessing.text import Tokenizer引入模块
• tokenizer = Tokenizer()

生成词典tokenizer.fit_on_texts()

string = ['他 毕业 于 哈佛大学', '他 就职 于 工科院计算机研究所']

# 构建单词索引
tokenizer = Tokenizer()
tokenizer.fit_on_texts(samples)
print(tokenizer.word_index)
1
2
3
4
5
6

将句子序列转换成token矩阵tokenizer.texts_to_matrix()

tokenizer.texts_to_matrix(samples)  #如果string中的word出现在了字典中,那么在矩阵中出现的位置处标1
1

tokenizer.texts_to_matrix(string,mode='count') #如果string中的word出现在了字典中,那么在矩阵中出现的位置处标记这个word出现的次数
1

句子转换成单词索引序列tokenizer.texts_to_sequences

sequences = tokenizer.texts_to_sequences(samples)
print(sequences)
1
2

分词器被训练的文档（文本或者序列）数量tok.document_count

依照数量由大到小Order排列的token及其数量tok.word_counts

完整代码:

from keras.preprocessing.text import Tokenizer

samples = ['他 毕业 于 哈佛大学', '他 就职 于 工科院计算机研究所']

# 构建单词索引
tokenizer = Tokenizer()
tokenizer.fit_on_texts(samples)

word_index = tokenizer.word_index
print(word_index)
print(len(word_index))

sequences = tokenizer.texts_to_sequences(samples)
print(sequences)

one_hot_results = tokenizer.texts_to_matrix(samples)
print(one_hot_results)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

运行结果