目 标：使用one-hot Embedding 处理数据库查询语句，使其变成向量模式，以下为个人学习笔记和学习过程中用到的完整代码。
环 境：腾讯云服务器 Linux系统（具体环境会在代码段前进行标注）
目录
5.3 用Python遍历文件夹中的sql文件并将它们变成向量形式
进行机器学习，就需要对数据的特征进行提取，但有些数据是离散非连续的，这个时候就需要将这些特征转换为向量形式。
one-hot向量编码，就是将每个特征都进行0 1 表示，具体的解说可以参看下面这篇文章，它描述得非常详细。
【one-hot理论详解】
https://blog.csdn.net/qq_38651469/article/details/121100275
下面放入一段使用了one-hot 的简单代码（python版本3.7.0）
from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0,0,3],[1,1,0],[0,2,1],[1,0,2]])
array = enc.transform([[1,2,3]]).toarray()
print(array)【运行结果】
【解析】（都是自学的不一定对哈）
preprocessing.OneHotEncoder() 调用起One-hot
enc.fit([ ]) 传入了学习数据
enc.transform([1,2,3]) 得出了预测结果
根据上面的实验，我做了进一步的测试，发现这种方法只能对数字特征进行编码，无法编译中英文，但我的目标是通过One-Hot编译查询语句，因此我的进阶学习路线为：用one-hot处理句子。
于是我找到了这篇文章：
【实现对文本的简单one-hot编码】https://blog.csdn.net/Einstellung/article/details/82865224?spm=1001.2014.3001.5506按照文章中所提到的，首先，使用one-hot对单词进行编码
from keras.preprocessing.text import Tokenizer
samples = ['The cat sat on the mat.', 'The dog ate my homework.']
tokenizer = Tokenizer(num_words=1000) # i创建一个分词器（tokenizer），设置为只考虑前1000个最常见的单词
tokenizer.fit_on_texts(samples) # 构建索引单词
sequences = tokenizer.texts_to_sequences(samples) # 将字符串转换为整数索引组成的列表
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
#可以直接得到one-hot二进制表示。这个分词器也支持除了one-hot编码外其他向量化模式
print(one_hot_results)# 这个one-hot-result就是向量表示
word_index = tokenizer.word_index # 得到单词索引
print('Found %s unique tokens.' % len(word_index))【运行结果】（需要使用Keras框架）
【解析】
Keras框架自带One-hot编码方式，因此只给出要训练的语句就行了。
输出的三个东西分别是
①前面两个 0 1 向量序列是对
['The cat sat on the mat.', 'The dog ate my homework.']
的编码。
② “Found 9 unique tokens” 是指遇到了9个单词—— The出现两次所以选1个单词。
假设我有一个SQL查询语句如下：
SELECT MIN(mc.note) AS production_note,
MIN(t.title) AS movie_title,
FROM company_type AS ct,
info_type AS it,
movie_companies AS mc,
WHERE ct.kind = 'production companies'
AND it.info = 'top 250 rank'那么我首先尝试将其放进Sample，代入Keras框架进行 one-hot向量表示
from keras.preprocessing.text import Tokenizer
samples = ['SELECT MIN(mc.note) AS production_note FROM company_type AS ct', 'SELECT MIN(t.title) AS movie_title']
tokenizer = Tokenizer(num_words=1000) # i创建一个分词器（tokenizer），设置为只考虑前1000个最常见的单词
tokenizer.fit_on_texts(samples) # 构建索引单词
sequences = tokenizer.texts_to_sequences(samples) # 将字符串转换为整数索引组成的列表
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
#可以直接得到one-hot二进制表示。这个分词器也支持除了one-hot编码外其他向量化模式
print(one_hot_results)# 这个one-hot-result就是向量表示
word_index = tokenizer.word_index # 得到单词索引
print('Found %s unique tokens.' % len(word_index))可以看到的是——在这里，我将样本替换为了查询语句，实验结果证明，one-hot可以对其进行编码，并有效地查出了13个 “unique tokens”
【运行结果】
另，one-hot 似乎并不对标点符号进行编码
因为查询语句经常非常长，而且包含各种数据类型，不知道One-Hot能不能对这种混合数据模式进行编码，因此，下一步实验是——将sample里的查询语句加长
（大家可以在代码中看到，我已经将查询语句的长度加长到了一个变态的程度）
from keras.preprocessing.text import Tokenizer
samples = ['SELECT MIN(mc.note) AS production_note, MIN(t.title) AS movie_title, FROM company_type AS ct, info_type AS it, WHERE ct.kind = production companies AND it.info = top 250 rank AND mc.note NOT LIKE %(as Metro-Goldwyn-Mayer Pictures)%']
tokenizer = Tokenizer(num_words=1000) # i创建一个分词器（tokenizer），设置为只考虑前1000个最常见的单词
tokenizer.fit_on_texts(samples) # 构建索引单词
sequences = tokenizer.texts_to_sequences(samples) # 将字符串转换为整数索引组成的列表
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
#可以直接得到one-hot二进制表示。这个分词器也支持除了one-hot编码外其他向量化模式
print(one_hot_results)# 这个one-hot-result就是向量表示
word_index = tokenizer.word_index # 得到单词索引
print('Found %s unique tokens.' % len(word_index))
【运行结果】
————！！！ WARNING ! ! ! 下图高度密集！密恐患者速速撤离！————
就，跑也能跑，但向量也是真 的 大 啊
此外，在运行的过程中遇到了两个问题，都是必须考虑的。
在查询语句中经常会带有字符型的数据，这些数据的单引号会造成错误，导致部分数据无法录入。
因此，在对带有字符型数据的查询语句进行编码时，就必须先对这些双引号进行屏蔽。
在训练的过程中，势必不可能总是手动将查询语句替换进去，因此还涉及到一个如何用Python进行文件夹读取并代入的问题。
首先，拆解问题为：“如何用python读取sql文件”（先只读取一个文件，之后再尝试依次读取文件夹）
参考了下面这篇文章的做法：
根据服务器的路径，将代码改造如下：
# sql文件夹路径
sql_path = '/root/Liujq/a_onehot/onehot_data' + '/'
# sql文件名， .sql后缀的
sql_file = '1a.sql'
# 读取 sql 文件文本内容
sql = open(sql_path + sql_file, 'r', encoding='utf8')
sqltxt = sql.readlines()
# 此时 sqltxt 为 list 类型
# 读取之后关闭文件
sql.close()
# list 转 str
sql = "".join(sqltxt)
# 输出一下看看能不能完整地读出来
print(sql)
可以，能读得出来：
然后，尝试将文件夹里的所有sql文件依次读出 （下面这个代码只能读取出文件名，就是看看能不能读）
import os
path = '/root/Liujq/a_onehot/onehot_data'
for filename in os.listdir(path): #读取Path路径下的文件名
print(filename)
import os
from keras.preprocessing.text import Tokenizer
path = '/root/Liujq/a_onehot/onehot_data/'
for filename in os.listdir(path): #读取Path路径下的文件，此时文件名是指针形式。
print(filename)
# 读取 sql 文件文本内容
sql = open(path + filename, 'r', encoding='utf8')
sqltxt = sql.readlines()
# 此时 sqltxt 为 list 类型
# 读取之后关闭文件
sql.close()
# list 转 str
sql = "".join(sqltxt) #得到str形式的sql文件内容
# 将sql内容放进要被转换的samples里
samples = [sql]
tokenizer = Tokenizer(num_words=1000) # i创建一个分词器（tokenizer），设置为只考虑前1000个最常见的单词
tokenizer.fit_on_texts(samples) # 构建索引单词
sequences = tokenizer.texts_to_sequences(samples) # 将字符串转换为整数索引组成的列表
one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')
# 可以直接得到one-hot二进制表示。这个分词器也支持除了one-hot编码外其他向量化模式
print(one_hot_results) # 这个one-hot-result就是向量表示
word_index = tokenizer.word_index # 得到单词索引
print('Found %s unique tokens.' % len(word_index))
print('==============================================================')
代码确实能用，就是输出效果过于密恐，不给大家展示了hhh
总结来自这篇文章：
one-hot编码优缺点分析https://blog.csdn.net/qq_38651469/article/details/121100275?spm=1001.2014.3001.5506
(1) 解决了分类器不好处理离散数据 的问题。
a. 欧式空间。在回归，分类，聚类等机器学习算法中，特征之间距离计算 或 相似度计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。
b. one-hot 编码。使用 one-hot 编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值 就 对应欧式空间的某个点。将离散型特征使用 one-hot 编码，确实会让 特征之间的距离计算 更加合理。
(2) 在一定程度上也起到了 扩充特征的作用。
在文本特征表示上有些缺点就非常突出了。
(1) 它是一个词袋模型，不考虑 词与词之间的顺序（文本中词的顺序信息也是很重要的）；
(2) 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）；
(3) 它得到的 特征是离散稀疏 的 (这个问题最严重)。
上述第3点展开：
(1) 为什么得到的特征是离散稀疏的？
例如，如果将世界所有城市名称作为语料库的话，那这个向量会过于稀疏，并且会造成维度灾难。如下：
杭州 [0,0,0,0,0,0,0,1,0,……，0,0,0,0,0,0,0]
上海 [0,0,0,0,1,0,0,0,0,……，0,0,0,0,0,0,0]
宁波 [0,0,0,1,0,0,0,0,0,……，0,0,0,0,0,0,0]
北京 [0,0,0,0,0,0,0,0,0,……，1,0,0,0,0,0,0]
在语料库中，杭州、上海、宁波、北京各对应一个向量，向量中只有一个值为1，其余都为0。
(2) 能不能把词向量的维度变小呢？
a) Dristributed representation：
可以解决 One hot representation 的问题，它的思路是:
1. 通过训练，将 每个词 都映射到一个 较短的词向量 上来。
2. 所有的这些 词向量 就构成了 向量空间，
3. 进而可以用 普通的统计学的方法 来研究词与词之间的关系。
这个较短的词向量维度是多大呢？这个一般需要我们在训练时自己来指定。
b) 举例：
1. 比如将词汇表里的词用 "Royalty", "Masculinity", "Femininity" 和 "Age" 4个维度来表示，King 这个词对应的词向量可能是 (0.99,0.99,0.05,0.7)。
2. 在实际情况中，并不能对词向量的每个维度做一个很好的解释。
3. 将king这个词从一个可能非常稀疏的向量坐在的空间，映射到现在这个 四维向量 所在的空间，必须满足以下性质：
（1）这个映射是单射；
（2）映射之后的向量 不会丢失之前的 那种向量 所含的信息 。
4. 这个过程称为 word embedding（词嵌入），即将高维词向量嵌入到一个低维空间。如图：
5. 经过我们一系列的降维神操作，有了用 representation 表示的较短的词向量，我们就可以较容易的分析词之间的关系了，比如我们将词的维度降维到 2维，有一个有趣的研究表明，用下图的词向量表示我们的词时，我们可以发现：
6. 出现这种现象的原因是，我们得到最后的词向量的训练过程中引入了词的上下文。举例：
想到得到 "learning" 的词向量，但训练过程中，你同时考虑了它左右的上下文，那么就可以使 "learning" 带有语义信息了。通过这种操作，我们可以得到近义词，甚至 cat 和它的复数 cats 的向量极其相近。
—————— END ——————