count_vectorizer = CountVectorizer(analyzer='word', binary=True) count_vectorizer.fit(train['text']) train_vectors = count_vectorizer.fit_transform(train['text']) test_vectors = count_vectorizer.transform(test['text']) # Printing first vector print(train_vectors.todense())

这段代码使用了 `CountVectorizer` 类来将文本数据转换为向量表示。在这个例子中，`analyzer='word'` 表示按照单词进行分析，`binary=True` 表示向量中的值只有0和1两种可能。首先，`fit()` 方法用于学习文本数据的词汇表，并将其存储在 `CountVectorizer` 对象中。然后，`fit_transform()` 方法将训练数据转换为向量表示，而 `transform()` 方法将测试数据转换为向量表示。最后，`todense()` 方法将稀疏矩阵表示的向量转换为密集矩阵，并通过 `print()` 函数打印出第一个向量的值。