上一课我们讲了 TF-IDF。为了把 TF-IDF 理解得更扎实，这一课先回到更基础的表示方法：词袋模型。
词袋模型听起来有点抽象，其实它的想法很朴素：不管词在句子里的顺序，先统计每个词出现了多少次。
什么是词袋模型
词袋模型的英文是 Bag of Words。它把一段文本看成一个装满词的袋子，只关心袋子里有哪些词、每个词出现了几次。
例如两句话：
text
我 喜欢 机器学习
机器学习 很 有用如果词表是 [我, 喜欢, 机器学习, 很, 有用]，那么：
| 文档 | 词袋向量 |
|---|---|
| 我 喜欢 机器学习 | [1, 1, 1, 0, 0] |
| 机器学习 很 有用 | [0, 0, 1, 1, 1] |
每个文档变成等长向量，长度等于词表大小，每个位置的数字就是对应词在这段文本里的出现次数。这就把文本变成了数字。
词袋模型丢掉了什么
词袋模型有一个明显缺点：它会丢掉顺序。
text
我 不 喜欢 这个 功能
我 喜欢 这个 功能 不如果只统计词频，两句话包含的词差不多，但真实语义可能完全不同。所以词袋模型不是完美的语言理解方法，它更像一个简单、稳定、容易解释的文本特征表。
入门阶段先掌握它很有价值，因为后面的 TF-IDF、文本分类 baseline、模型评估都会建立在这个基础上。
CountVectorizer 做了什么
在 sklearn 里，CountVectorizer 就是用来做词袋特征的工具。它主要做两件事：
- 从训练文本里建立词表；
- 把每条文本转换成词频向量。
python
from sklearn.feature_extraction.text import CountVectorizer
# 假设文本已经分好词、用空格隔开（中文项目里这一步由 jieba 完成）
texts = [
"我 喜欢 机器学习",
"机器学习 很 有用",
"这个 功能 不好用",
]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
print(vectorizer.get_feature_names_out()) # 词表
print(X.toarray()) # 词频矩阵：每行一个文档，每列一个词词频矩阵里，每一行是一个文档，每一列是一个词，值是这个词在该文档里的出现次数。
一个要注意的细节：CountVectorizer 默认的 token_pattern 会过滤掉单个字符。中文里"我""很"这种单字词默认会被丢弃，需要保留单字时可以设 token_pattern=r"(?u)\b\w+\b"，或者在分词阶段就控制好词长。
fit_transform 和 transform 的区别
这个区别很重要：
python
X_train_vec = vectorizer.fit_transform(X_train_text)
X_test_vec = vectorizer.transform(X_test_text)训练集用 fit_transform，因为要从训练集里学习词表。测试集只用 transform，因为测试集不能参与词表学习，否则就会发生数据泄漏。
这和前面讲过的标准化、Pipeline 是同一个原则：训练阶段学到的规则，测试阶段只能拿来用，不能重新学。
词表大小会影响模型
如果训练文本很多，词表可能非常大。词表越大，矩阵列数越多，模型训练也会更重。常用参数有：
| 参数 | 作用 | 建议 |
|---|---|---|
max_features |
最多保留多少个词 | 数据量大时必设，否则特征爆炸 |
min_df |
过滤出现太少的词 | 中小数据集设 2，过滤只出现 1 次的词 |
max_df |
过滤出现太多的词 | 0.7 ~ 0.9 之间，太常见的词没区分力 |
ngram_range |
加入连续词组合 | (1, 2) 同时取单词和双词组合 |
例如：
python
vectorizer = CountVectorizer(
max_features=5000,
min_df=2,
max_df=0.9,
ngram_range=(1, 2),
)这表示最多保留 5000 个特征，过滤太少见和太常见的词，同时加入单词和连续两个词的组合。
ngram 是什么
ngram_range=(1, 2) 表示同时考虑 unigram 和 bigram。比如文本：
text
机器 学习 很 有用unigram 是：
text
机器 / 学习 / 很 / 有用bigram 是：
text
机器 学习 / 学习 很 / 很 有用加入 bigram 后，模型有机会捕捉"机器 学习"这种连续搭配，而不是只看到"机器"和"学习"两个分散的词。
词袋和 TF-IDF 的关系
词袋模型输出的是词频计数，缺点也由此而来：
- 顺序丢失，"我不喜欢你"和"你不喜欢我"的向量完全一样；
- 高频词霸权，一个词出现 100 次未必比另一个词说一次更重要；
- 维度容易爆炸，10 万篇文档乘 2 万词汇就是 2 亿维矩阵（稀疏矩阵能处理，但内存压力大）。
TF-IDF 可以看成在词频基础上进一步加权：当前文本里重要、全局又有区分度的词权重更高。
text
CountVectorizer：数一数每个词出现几次
TfidfVectorizer：在词频基础上考虑全局区分度两者都能用于文本分类。CountVectorizer 更直观，TF-IDF 往往在很多文本分类任务里效果更好。
这一课先记住
词袋模型是文本特征工程的第一块积木。它会把文本变成"样本数 × 词表大小"的矩阵，每一列代表一个词或词组，每个值代表它在文本里的出现次数。max_features、min_df、max_df 是控制维度的三件套，丢失词序和高频词霸权是它的主要弱点，下一步交给 TF-IDF 修正。
下一课我们把 TF-IDF 和逻辑回归接起来，训练一个真正可运行的中文文本分类 baseline。
在线阅读
原文地址：https://bestsdz.xyz/posts/countvectorizer-bag-of-words/