调用fit_transform函数，将字典存储在列表中，依次打印出： 字典的特证名 根据编码后的类别，反向推导出编码前对应的原始标签 列表数据

当你在处理文本数据预处理时，`fit_transform`通常用于特征缩放、标准化或编码转换，例如在scikit-learn库的`CountVectorizer`或`TfidfVectorizer`等工具中。假设我们有一个包含文本的字典列表，并想要对每个字典应用这些向量化技术并同时获取映射关系，可以这样做：

from sklearn.feature_extraction.text import CountVectorizer

# 示例字典列表
data = [
    {"text": "这是一个例子"},
    {"text": "这是另一个示例"},
    # 更多字典...
]

# 创建CountVectorizer实例
vectorizer = CountVectorizer()

# 使用fit_transform对数据进行特征提取并编码
encoded_data = vectorizer.fit_transform([d['text'] for d in data])

# 获取特征名称（即词汇表）
feature_names = vectorizer.get_feature_names_out()

# 打印特征名称
for feature_name in feature_names:
    print(feature_name)

# 反向推导原始标签 (这里由于是数值编码，需要额外的映射)
reverse_mapping = {v: k for k, v in enumerate(vectorizer.vocabulary_)}
decoded_labels = [reverse_mapping.get(int(i)) for i in encoded_data.argmax(axis=1)]

# 打印解码后的标签
for label in decoded_labels:
    if label is not None:
        print(f"编码前对应的原始标签: {label}")

在这个例子中，`fit_transform`会返回一个稀疏矩阵，其中每一列代表一个词频。`get_feature_names_out()`用于获取特征名称，`argmax(axis=1)`则找到每个样本的最大值所在的列索引，对应原始的类别。