One-hot vector是把所有的詞匯變成列，例如我們有10000個詞匯炬守，那么就有10000列。
對于每個句子剂跟，如果單詞出現(xiàn)减途，則該列為1，例如曹洽，有兩句話:
'Time flies flies like an arrow.',? 'Fruit flies like a banana.'
他們的one-hot vector如下圖所示：
TF-IDF用于計算文章中詞語的出現(xiàn)次數(shù)鳍置。
因為常用詞的出現(xiàn)次數(shù)遠遠大于非常用詞。為了讓非常用詞也能露臉送淆，所以加了個IDF作為修正税产。IDF中詞語出現(xiàn)的文章數(shù)作為分子()，總文章數(shù)作為分母偷崩，然后求對數(shù)值辟拷，具體公式如下：
把詞語的出現(xiàn)次數(shù)TF和IDF相乘(TF*IDF)，得到了TF-IDF.
上面兩個句子的TF-IDF圖如下：
sklearn包實現(xiàn)了one-hot和tf-idf的計算阐斜，具體的方法如下：
one-hot：CountVectorizer
if-idf：TfidfVectorizer()
https://scikit-learn.org/stable/modules/feature_extraction.html#text-feature-extraction
