vectorizer = CountVectorizer(min_df=1)//min_df是文件詞頻，即改詞在文件中出現的文件數量，當vocabulary不為空時，該引數不起作用

corpus = [
            'I am a boy'，
            u'我 愛 北京 天安門'
        ]
X = vectorizer.fit_transform(corpus)
feature_name = vectorizer.get_feature_names()

print feature_name

//結果是：[u'am', u'boy', u'\u5317\u4eac'
 
, u'\u5929\u5b89\u95e8']
//自動將‘I，a，我，愛’這些單個長度的詞過濾掉了
在英文中單個長度的詞往往屬於停用詞範圍，所以過濾掉屬於預設設定，對結果影響不大。可是在中文文字處理中，有一些單個長度的詞，比如“愛”，“恨”都有著很明顯的感情色彩。如果在做情感分析中，這些資訊都十分重要。

為了不過濾單個詞可以設定

vectorizer = CountVectorizer(token_pattern='(?u)\\b\\w+\\b')
#主語 \b是詞的邊界
上面提取的特徵全部都是單個詞，同樣可以提取連詞，如下：
corpus = [
            '是 的 我 啊'
 
, '啊啊 個 的 是', '我 的','啊 愛迪生'
        ]
X = vectorizer.fit_transform(corpus)

print X.vocabulary_
//
{'是': 4, '我': 3, '個': 0, '的': 6, '啊': 1, '啊啊': 2, '愛迪生': 5}