最近工作比较忙，重新回顾梯度和导数相关的知识后，决定把注意力放到应用层面。自然语言处理（NLP）是一个相对直观的入门方向，其中 One-Hot 编码是基础也是入门点。本文将用清晰的方式介绍其原理、表示方法及简单示例，帮助理解从词汇到向量的映射过程。
One-Hot 编码的核心思想是：从零向量开始，将文中出现的单词对应的位置置为 1，其余位置为 0。这样就把离散的单词转化为了向量形式，便于后续的矩阵运算和模型输入。
对句子进行分词并忽略标点，同时将所有单词统一小写后，若得到的词汇表为 {time, fruit, flies, like, a, an, arrow, banana}，那么每个单词就对应一个长度为 8 的单热向量。记作 1[w] 表示单词 w 的单热表示。
若把短语、句子或文档的单热表示聚合起来，通常采用按词汇表的逐词进行“逻辑或”操作来得到该文本的压缩表示。比如短语 like a banana 的单热矩阵是一个 3×8 的矩阵，其中的列为各自的 8 维单热向量。二进制编码也很常见，即文本/短语在词汇表长度的向量中用 0/1 表示单词的缺失或存在。例如 like a banana 的二进制编码为: [0,0,0,1,1,0,0,1]。
下面给出一个示例流程，用于从文本到向量的转换与可视化：从文本片段中提取并处理英文内容，构建 CountVectorizer/TF-IDF 等向量化工具，计算并展示单热或 TF-IDF 的矩阵及热点词分布。示例包括：
- 从文本集合中提取词袋向量，并将结果以矩阵形式呈现；
- 构建热力图以直观显示单词在不同句子中的出现情况；
- 使用 TF-IDF 对文本进行特征化，并查看前若干热点词及其权重。
示例片段及处理过程（简述）：
1) 使用 CountVectorizer 将文本转化为稀疏矩阵，完成单热/袋模型的基础实现；
2) 通过 TF-IDF Vectorizer 提取重要特征，得到每个词的权重分布；
3) 将结果用热力地图等方式进行可视化分析，帮助理解不同文本的特征差异。
