中文文本向量化代码构建TFIDF模型

以下是Python中使用jieba和scikit-learn构建中文TF-IDF模型的代码示例：

import jieba
from sklearn.feature_extraction.text import TfidfVectorizer

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer()

# 输入文本列表
corpus = [
    "这是第一个文档。",
    "这个文档是第二个文档。",
    "这是第三个文档。",
    "这是第一个文档吗？",
]

# 对文本进行分词处理
corpus = [" ".join(jieba.cut(text)) for text in corpus]

# 将文本列表转换为TF-IDF特征矩阵
X = vectorizer.fit_transform(corpus)

# 打印特征矩阵
print(X.toarray())

# 打印特征名列表
print(vectorizer.get_feature_names())

在上述示例中，我们首先导入jieba和TfidfVectorizer类，然后创建一个向量化器对象。接着，我们定义一个中文文本列表corpus，该列表包含4个中文文本。然后，我们使用jieba对文本进行分词处理，并将分词后的文本列表传递给向量化器的fit_transform()方法进行向量化。最后，我们打印特征矩阵和特征名列表。

请注意，在这个示例中，我们使用jieba对中文文本进行分词处理。如果您想要使用其他中文分词工具，您需要将分词后的文本列表传递给向量化器的fit_transform()方法进行向量化。