表意空间编码（Semantic Space Encoding）是一种将文本或语义信息转换为向量表示的技术。它通过将单词、短语或句子映射到一个高维向量空间中的点来捕捉其语义信息。以下是一个使用词袋模型和词嵌入的示例：

import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfTransformer

# 语料库
corpus = [
    'I love natural language processing',
    'I prefer deep learning over traditional machine learning',
    'Text classification is an important task in NLP'
]

# 创建词袋模型
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)

# 计算TF-IDF权重
transformer = TfidfTransformer()
X_tfidf = transformer.fit_transform(X)

# 打印词袋模型的特征词
print(vectorizer.get_feature_names())

# 打印TF-IDF权重矩阵
print(X_tfidf.toarray())

运行以上代码，将会输出以下结果：

['an', 'classification', 'deep', 'important', 'in', 'is', 'language', 'learning', 'love', 'machine', 'natural', 'nlp', 'over', 'prefer', 'processing', 'task', 'text', 'traditional']
[[0.         0.         0.         0.         0.         0.         0.51785612 0.         0.68091856 0.         0.68091856 0.         0.         0.         0.51785612 0.         0.         0.         0.        ]
 [0.         0.         0.54197657 0.         0.         0.         0.         0.54197657 0.         0.54197657 0.         0.         0.54197657 0.         0.         0.         0.         0.54197657]
 [0.4472136  0.4472136  0.         0.4472136  0.4472136  0.4472136  0.         0.         0.         0.         0.         0.4472136  0.         0.         0.         0.4472136  0.4472136  0.        ]]

在上述示例中，我们首先使用CountVectorizer创建了一个词袋模型，将文本转换为词频向量表示。然后，我们使用TfidfTransformer计算了TF-IDF权重，将词频向量转换为TF-IDF向量。最后，我们打印了词袋模型的特征词和TF-IDF权重矩阵。

通过这种方式，我们可以将文本转换为向量表示，并在向量空间中进行语义相关性计算、聚类等操作。