TfidfVectorizer特征提取，将列表中的评价内容转换为TF-IDF(逆文档词频)稀疏矩阵表示，输出该矩阵，并输出数组维度，要求去掉停止词is、I、very等

TfidfVectorizer是scikit-learn库中的一个工具，主要用于文本数据预处理，特别是将文本数据转换成数值特征向量，其中TF-IDF是一种常用的文本特征提取方法。它计算每个词语在文档中的重要程度，"Term Frequency-Inverse Document Frequency"（词频-逆文档频率）综合考虑了单词的频率以及其在整个文集中的罕见度。

当你有一个包含评价内容的列表，比如评论字符串列表，你可以这样做：

from sklearn.feature_extraction.text import TfidfVectorizer
import numpy as np

# 假设reviews是一个包含评论的列表
reviews = ... # 例如 ['非常好的电影', '我觉得这部电影一般般', '非常差']

# 设置停用词列表，这里包括 "is", "I", "very" 等
stop_words = ["is", "I", "very"]

# 创建TfidfVectorizer实例并指定停用词
vectorizer = TfidfVectorizer(stop_words=stop_words)

# 转换为TF-IDF矩阵
tfidf_matrix = vectorizer.fit_transform(reviews)

# 输出矩阵形状 (文档数, 词汇表大小)
print("矩阵维度:", tfidf_matrix.shape)

# 输出稀疏矩阵
print("稀疏矩阵:\n", tfidf_matrix.toarray())

这个过程会生成一个稀疏矩阵，行代表每个评论，列代表词汇表中的每个词（去除停用词），值则是对应词的重要性得分。