? one-hot 和 TF-IDF 是提取文本特征的最為常見的方法，下文主要介紹它們主要的思想以及優缺點。
1.1 one-hot編碼
one-hot 編碼，又稱獨熱編碼、壹位有效編碼。其方法是使用N位狀態寄存器來對N個狀態進行編碼，每個狀態都有它獨立的寄存器位，並且在任意時候，其中只有壹位有效。舉個例子，假設我們有三個樣本（行），每個樣本有三個特征（列）：
?上表中我們已經對每個特征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，這裏男用0表示，女用1表示。那麽one-hot編碼是怎麽搞的呢？
?我們再拿feature_2來說明：這裏feature_2 有4種取值（狀態），我們就用4個狀態位來表示這個特征，one-hot編碼就是保證每個樣本中的單個特征只有1位處於狀態1，其他的都是0。
對於兩種狀態、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征的新表示：
one-hot 編碼將每個狀態位都看成壹個特征。於是我們可以得到它們的特征向量分別為:
1.2 one-hot在提取文本特征上的應用
? one-hot 在特征提取上屬於詞袋模型（bag of words）。關於如何使用 one-hot 抽取文本特征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
我們首先對語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 對每段話提取特征向量：
因此我們得到了最終的特征向量為
優缺點分析：
優點 ：
缺點 ：
sklearn實現one hot encode
註意： 假如要進行編碼的數據沒有出現在對應列中將會出現錯誤
? IF-IDF 是信息檢索（IR）中最常用的壹種文本表示法。算法的思想很簡單，就是統計每個詞出現的 詞頻（TF） ，然後再為其附上壹個 權值參數（IDF） 。舉個例子：
?現在假設我們要統計壹篇文檔中的前10個關鍵詞，應該怎麽下手？首先想到的是統計壹下文檔中每個詞出現的頻率（TF），詞頻越高，這個詞就越重要。但是統計完妳可能會發現妳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），這個問題怎麽解決呢？妳可能會想到為每個詞都加壹個權重，像這種”停用詞“就加壹個很小的權重（甚至是置為0），這個權重就是IDF。下面再來看看公式：
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信息以及詞與詞之間的相互關系。
sklearn 實現 tfidf