用tf-idf把文本转成向量的代码设置向量维度

下面是一个使用TF-IDF将文本转化为向量的示例代码，同时设置向量维度为100：

from sklearn.feature_extraction.text import TfidfVectorizer

# 文本数据
corpus = [
    "I love coding",
    "Coding is fun",
    "Coding is my passion"
]

# 创建TF-IDF向量化器
vectorizer = TfidfVectorizer(max_features=100)

# 将文本数据转化为TF-IDF向量
X = vectorizer.fit_transform(corpus)

# 打印向量化的结果
print(X.toarray())

在上述代码中，我们使用了TfidfVectorizer类来进行TF-IDF向量化。max_features参数设置了向量的维度，这里设置为100。fit_transform方法将文本数据转化为TF-IDF向量，并返回一个稀疏矩阵X。最后，我们使用toarray()方法将稀疏矩阵转化为稠密矩阵，并打印出向量化的结果。

请注意，TF-IDF向量化是一种基于单词的方法，因此文本数据需要先进行分词处理。在实际应用中，你可能需要使用更复杂的分词工具或预处理步骤来准备文本数据