sklearn.feature_extraction.text.CountVectorizer提取文本特征，将文档词块化
sklearn.feature_extraction.text. CountVectorizer ( input=u'content' , encoding=u'utf-8' , decode_error=u'strict' , strip_accents=None , lowercase=True , preprocessor=None , tokenizer=None , stop_words=None , token_pattern=u'(? u)\b\w\w+\b' , ngram_range=(1 , 1) , analyzer=u'word' , max_df=1.0 , min_df=1 , max_features=None , vocabulary=None , binary=False , dtype=<type 'numpy.int64'> ) 作用：Convert a collection of text documents to a matrix of token counts（计算词汇的数量，即tf）；结果由scipy.sparse.coo_matrix进行稀疏表示。 看下参数就知道CountVectorizer在提取tf时都做了什么： strip_accents : {‘ascii’, ‘unicode’, None}：是否除去“音调”，不知道什么是“音调”？看：http://textmechanic.com/?reqp=1&reqr=nzcdYz9hqaSbYaOvrt== lowercase : boolean, True by default：计算tf前，先将所有字符转化为小写。 这个参数一般为True。 preprocessor : callable or None (default)：复写thepreprocessing (string transformation) stage，但保留tokenizing and n-grams generation steps. 这个参数可以自己写。 tokenizer : callable or None (default)：复写the string tokenization step，但保留preprocessingand n-grams generation steps. 这个参数可以自己写。 stop_words : string {‘english’}, list, or None (default)：如果是‘english’, a built-in stop word list for English is used。如果是a list，那么最终的tokens中将去掉list中的所有的stop word。如果是None, 不处理停顿词；但 参数 max_df 可以设置为 [0.7, 1.0) 之间，进而根据 intra corpus document frequency(df) of terms自动detect and filter stop words。这个参数要根据自己的需求调整。 token_pattern : string：正则表达式，默认筛选长度大于等于2的字母和数字混合字符（select tokens of 2 or more alphanumeric characters），参数analyzer设置为word时才有效。 ngram_range : tuple (min_n, max_n)：n-values值得上下界，默认是 ngram_range=(1 , 1)， 该范围之内的n元feature都会被提取出来！ 这个参数要根据自己的需求调整。 analyzer : string, {‘word’, ‘char’, ‘char_wb’} or callable：特征基于wordn-grams还是character n-grams。如果是callable是自己复写的从the raw, unprocessed input提取特征的函数。 max_df : float in range [0.0, 1.0] or int, default=1.0： min_df : float in range [0.0, 1.0] or int, default=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。有效的前提是参数vocabulary设置成Node。 max_features : int or None, default=None：选择tf最大的max_features个特征。有效的前提是参数vocabulary设置成Node。 vocabulary : Mapping or iterable, optional：自定义的特征word tokens，如果不是None，则只计算vocabulary中的词的tf。 还是设为None靠谱。 binary : boolean, default=False：如果是True，tf的值只有0和1，表示出现和不出现，useful for discrete probabilistic models that model binary events rather than integer counts.。 dtype : type, optional：Type of the matrix returned by fit_transform() or transform().。
