這一部分主要介紹和特徵處理相關的演算法，大體分為以下三類：
1）特徵抽取：從原始資料中抽取特徵

2）特徵轉換：特徵的維度、特徵的轉化、特徵的修改

3）特徵選取：從大規模特徵集中選取一個子集

特徵提取：

CountVectorizer

CountVectorizer旨在通過計數來將一個文件轉換為向量。當不存在先驗字典時，CountVectorizer作為Estimator提取詞彙進行訓練，並生成一個CountVectorizerModel用於儲存相應的詞彙向量空間。

在CountVectorizerModel的訓練過程中，CountVectorizer將根據語料庫中的詞頻排序從高到低進行選擇，詞彙表的最大含量由vocabsize超引數來指定，超引數minDF，則指定詞彙表中的詞語至少要在多少個不同文件中出現。

1）匯入CountVectorizer所需要的包：

2）假設我們有如下的DataFrame，其包含id和words兩列，可以看成是一個包含兩個文件的迷你語料庫

3）通過CountVectorizer設定超引數，訓練一個CountVectorizer，這裡設定詞彙表的最大量為3，設定詞彙表中的詞至少要在2個文件中出現過，以過濾那些偶然出現的詞彙。

4）在訓練結束後，可以通過cv對DataFrame進行fit,獲得到模型的詞彙表：

5）在訓練結束後，可以通過cv對DataFrame進行fit,獲得到模型的詞彙表：