CountVectorizer 示例

下面是一个使用CountVectorizer进行文本特征提取的简单示例：

from sklearn.feature_extraction.text import CountVectorizer

# 创建 CountVectorizer 对象
vectorizer = CountVectorizer()

# 训练数据集
corpus = [
    'This is the first document',
    'This is the second second document',
    'And the third one',
    'Is this the first document'
]

# 生成文本特征矩阵
X = vectorizer.fit_transform(corpus)

# 输出特征矩阵
print(X.toarray())

# 输出特征词汇表
print(vectorizer.get_feature_names())

输出结果为：

[[0 1 1 1 0 0 1 0 1]
 [0 1 0 1 0 2 1 0 1]
 [1 0 0 0 1 0 0 1 0]
 [0 1 1 1 0 0 1 0 1]]
['and', 'document', 'first', 'is', 'one', 'second', 'the', 'third', 'this']

可以看到，通过CountVectorizer，四个文本被转换成了一个大小为(4, 9)的特征矩阵，其中每一行代表一个文本，每一列代表一个特征词。