sklearn.feature_extraction类做文本特征提取，有CountVectorizer、TfidfVectorizer、TfidfTransformer、HashingVectorizer 四种类。前两种常见。 主要说CountVectorizer。
CountVectorizer函数，属于常见的特征数值计算类，是一个文本特征提取方法。对于每一个训练文本，它只考虑每种词汇在该训练文本中出现的频率，将文本中的词语转换为词频矩阵。CountVectorizer同样适用于中文。
参数说明：ngram_range=(2, 2) 表示选用2个词进行前后的组合，构成新的标签值，主要是用来构造新的词向量的组合。
好比一句话'I like you'
如果ngram_range = (2, 2)表示只选取前后的两个词构造词组合 :词向量组合为：’I like‘ 和 ’like you‘
如果ngram_range = (1, 3) 表示选取1到3个词做为组合方式: 词向量组合为: 'I', 'like', 'you', 'I like', 'like you', 'I like you' 构成词频标签。
很多博客都说参数是以词袋模型为基础的，但是其实主要运用的就是词袋的“不考虑其词法和语序的问题，即每个词语都是独立”特性，参数主要用来组合构造新向量。
from sklearn.feature_extraction.text import CountVectorizer
# from sklearn.feature_extraction.text import TfidfTransformer
import pandas as pd
path = 'C:\\Users\\happy\\Desktop\\test.xls'
df_train = pd.read_excel(path)
df_train.drop(columns = ['article','id'],inplace = True)
vecl = CountVectorizer(ngram_range=(1, 1), ### 词袋
lowercase=True, ### 转小写
binary=False, ### 如果是True，tf的值只有0和1
min_df = 0.1, ###按比例或绝对数量,删除df超过max_df或者df小于min_df的word tokens;前提vocabulary=None
max_df = 0.9,
stop_words = None, ### list like ['the','an'....]
vocabulary=None,#### 自定义特征
max_features = 100000, ###选择最大的max_features个特征
#token_pattern='\w{1,}',### regular expression,默认筛选长度大于等于2的字母和数字混合字符,参数analyzer设置为word时才有效
analyzer='word') ## 特征基于wordn-grams(词)还是character n-grams（字）)
vecl.fit(df_train['word_seg']) ##training
print(vecl.get_feature_names()) ### 输出统计的特征
print(vecl.vocabulary_) # 特征在列表中的索引位置
x_train = vecl.transform(df_train['word_seg'])
print(x_train.shape)
df = pd.DataFrame(x_train.toarray(), columns=vecl.get_feature_names()) # to DataFram
print(df)结果：
###统计的特征
['1132', '131414', '4124', '41421', '43', '4421', '445', '4888', '497']
#####建立的词汇表
{'131414': 1, '4124': 2, '41421': 3, '497': 8, '1132': 0, '4888': 7, '445': 6, '4421': 5, '43': 4}
#####转化后的大小
(3, 9)
######构建的词频表
1132 131414 4124 41421 43 4421 445 4888 497
0 0 1 1 1 0 0 0 0 1
1 1 0 1 1 0 0 0 1 0
2 1 0 0 0 1 1 1 0 0
主要参考：
[1]https://blog.csdn.net/weixin_38278334/article/details/82320307
[2]https://blog.csdn.net/Clannad_niu/article/details/95216996
