请编写一段基于keras框架的代码，利用lstm模型对csv文件的第一列进行特征提取，将提取到的特征向量打印出来

首先，需要导入必要的库和数据：

import pandas as pd
import numpy as np
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense

data = pd.read_csv('data.csv', header=None)

接着，我们需要进行文本预处理和特征提取：

# 将第一列转换为文本序列
texts = data[0].values.astype('str')

# 创建一个Tokenizer对象
tokenizer = Tokenizer(num_words=10000)

# 对文本序列进行拟合
tokenizer.fit_on_texts(texts)

# 将文本序列转换为整数序列
sequences = tokenizer.texts_to_sequences(texts)

# 对整数序列进行填充
padded_sequences = pad_sequences(sequences, maxlen=50)

# 提取特征向量
embedding_dim = 50
model = Sequential()
model.add(Embedding(10000, embedding_dim))
model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(padded_sequences, data[1], epochs=10)

features = model.predict(padded_sequences)
print(features)

在这里，我们使用了Keras的`Tokenizer`类将文本序列转换为整数序列，并使用`pad_sequences`函数对整数序列进行填充。接着，我们定义了一个LSTM模型，将文本序列嵌入到一个50维的向量空间中，并将其输入到一个LSTM层中进行特征提取。最后，我们使用`predict`函数对填充后的整数序列进行预测，得到的结果就是特征向量。

注意，这只是一个简单的示例，实际应用中需要根据数据的特点进行调整。