请解释一下这段代码 train_features = np.zeros((len(train_sequences), embedding_dim)) for i, sequence in enumerate(train_sequences): for j, word_index in enumerate(sequence): if word_index != 0: train_features[i][j] = np.mean(model[tokenizer.index_word[word_index]])

这段代码是为了将文本序列映射为向量表示。具体来说，代码首先创建了一个形状为(num_samples, embedding_dim)的全零数组train_features，用于存储文本序列的向量表示。其中，num_samples表示样本数量，embedding_dim表示词向量的维度。接下来，对于每个文本序列，代码遍历该序列中的每个单词，并将其在预训练的词向量模型中的向量表示求平均值，最终得到该文本序列的向量表示。具体来说，代码中的两个循环分别对应了样本的维度和序列的维度。其中，第一个循环对应了样本维度，使用enumerate()函数遍历了train_sequences中的每个样本，并使用变量i记录当前样本的索引。第二个循环对应了序列维度，使用enumerate()函数遍历了当前样本中的每个单词，并使用变量j记录当前单词在当前样本中的索引。在判断当前单词的索引是否为0之后，代码使用tokenizer.index_word[word_index]获取该单词的原始文本，并使用model[...]获取该单词在预训练的词向量模型中的向量表示。最后，代码将每个单词的向量表示求平均值，并将结果存储在train_features中对应的位置上，完成了文本序列到向量表示的转换。