对「文本」进行特征提取时，一般会用「单词」作为特征，即特征词。
CountVectorizer会计算特征词出现的「次数」，帮我们发现哪个词是最「重要」的。
一、特征提取API
sklearn.feature_extraction 是用来提取特征的API。
sklearn.feature_extraction.text.CountVectorizer( stop_words=[…] )
- fit_transform( data )：接收数据（文本或包含文本字符串的可迭代对象），返回提取的特征
- vector.inverse_transform( new_data )：将提取的特征，转换成之前的数据
- get_feature_names_out()：获取（特征）单词列表
参数：
- stop_words：停用词，数组类型，指定的停用词不再作为特征词。
二、提取特征
我们准备一组原始数据，然后「提取特征」
from sklearn import feature_extraction
# 原始数据（字典）
old_data = [
"I am your mather !",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer()
# 转换数据
new_data = vector.fit_transform(old_data)
print(new_data)
输出：
(0, 0) 1
(0, 3) 1
(0, 2) 1
(1, 0) 1
(1, 3) 1
(1, 1) 1
返回的提取的特征默认是「sparse矩阵」，我们用type打印一下返回值的类型。
# 转换数据
new_data = vector.fit_transform(old_data)
print(type(new_data))
输出：
<class 'scipy.sparse._csr.csr_matrix'>
这种格式不利于我们观察分析，接下来，我们把sparse矩阵转换成数组格式。
三、转换成数组
sparse矩阵内置的 toarray() 方法 ，可以把结果转换成「二维数组」。
from sklearn import feature_extraction
# 原始数据（字典）
old_data = [
"I am your mather !",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer()
# 转换数据
new_data = vector.fit_transform(old_data)
print(new_data.toarray())
输出：
[[1 0 1 1]
[1 1 0 1]]
这样的格式友好一些，但这些特征是什么意思呢？我们可以通过特征名字来分析。
四、特征名字
get_feature_names_out() 方法可以获取「特征名字」。
from sklearn import feature_extraction
# 原始数据（字典）
old_data = [
"I am your mather !",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer()
# 转换数据
new_data = vector.fit_transform(old_data)
print(new_data.toarray())
print(vector.get_feature_names_out())
输出：
[[1 0 1 1]
[1 1 0 1]]
['am' 'father' 'mather' 'your']
从特征名字我们可以发现，原始数据中出现的每个「单词」，都被当做一个「特征词」。
需要注意的是，「标点符号」和「字母」默认不统计，不作为特征词，因为没什么意义。
提取的特征数组中：每一行（也就是每个数组）对应一个「样本」，每一列（也就是数组的每一个值）对应一个特征词。
用数字表示特征词出现的次数。
比如第一个数组（[1 0 1 1]）对应第一个样本（“I am your mather !”）；
数组中第一位时1，意思就是样本里 ‘am’ 这个词出现了1次；
数组中第二位是0，意思就是样本里 ‘father’ 这个词出现了0次；
为了方便观察，我们在第一个样本字符串里添加「重复」的单词：
from sklearn import feature_extraction
# 原始数据（字典）
old_data = [
"I am your mather mather!",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer()
# 转换数据
new_data = vector.fit_transform(old_data)
print(new_data.toarray())
print(vector.get_feature_names_out())
输出：
[[1 0 2 1]
[1 1 0 1]]
['am' 'father' 'mather' 'your']
可以看到特征数组里有了一个数字2，意思就是样本中，‘mather’ 这个词出现了2次。
五、停用词
CountVectorizer() 的 stop_words 参数可以指定「停用词」。
停用词的意思就是，不被算作特征词的单词，通常用于那些使用很少或没有统计意义的词。
这里我们指定两个停用词，观察一下提取的特征词有什么变化：
# 原始数据（字典）
old_data = [
"I am your mather mather!",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer(stop_words=['am', 'your'])
# 转换数据
new_data = vector.fit_transform(old_data)
print(vector.get_feature_names_out())
输出：
['father' 'mather']
这里可以看到，我指定的 am，your 这两个停用词，不再作为特征词。
六、返回原始数据
vector.inverse_transform() 方法可以将提取的特征转回原始数据：
from sklearn import feature_extraction
# 原始数据（字典）
old_data = [
"I am your mather mather!",
"I am your father !"]
# 初始化
vector = feature_extraction.text.CountVectorizer()
# 转换数据
new_data = vector.fit_transform(old_data)
# 提取的特征数组
print(new_data.toarray())
print('分割线 ---')
# 转回原始数据
print(vector.inverse_transform(new_data))
输出：
[[1 0 2 1]
[1 1 0 1]]
分割线 ---
[array(['am', 'your', 'mather'], dtype='<U6'), array(['am', 'your', 'father'], dtype='<U6')]