如何用Python将每个新闻标题转换为数值特征向量？

在Python中将每个新闻标题转换为数值特征向量，可以使用Scikit-learn库中的文本特征提取器来实现。这里介绍两种常用的文本表示方法：词袋模型和TF-IDF。

1. 词袋模型

词袋模型是一种简单的文本表示方法，它将每个文档表示为一个固定长度的向量，向量的每个元素表示一个词在文档中出现的频率。使用Scikit-learn库中的CountVectorizer类可以将文本转换为词袋模型表示。

from sklearn.feature_extraction.text import CountVectorizer

# 将文本转换为词袋模型表示
corpus = [
   'This is the first document.',
   'This is the second second document.',
   'And the third one.',
   'Is this the first document?',
]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

# 输出特征向量
print(X.toarray())

2. TF-IDF

TF-IDF（Term Frequency-Inverse Document Frequency）是一种常用的文本表示方法，它根据一个词在文档中出现的频率和在整个语料库中出现的频率来计算一个权重。使用Scikit-learn库中的TfidfVectorizer类可以将文本转换为TF-IDF表示。

from sklearn.feature_extraction.text import TfidfVectorizer

# 将文本转换为TF-IDF表示
corpus = [
   'This is the first document.',
   'This is the second second document.',
   'And the third one.',
   'Is this the first document?',
]
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(corpus)

# 输出特征向量
print(X.toarray())

这样，每个新闻标题都被表示为一个数值向量，可以用于训练支持向量机模型。