基于词袋模型的思想将数据集中的文本表示成向量。实验数据集：bbc数据集步骤：① 构建全0矩阵矩阵的行数是文本的篇数矩阵的列数是词典的词数矩阵中每行向量是预设的每篇文本的表示向量预设为0向量向量中每个元素代表词典中对应词在文章中出现的词频。② 读取文件bbcmtx内的内容：获取每篇文本包含的词典中的词以及他们的词频。③ 找到文本对应的向量词对应的位置词频+1

，更新向量。 ④ 重复步骤②和步骤③，直到读取完所有文本。 ⑤ 可以将向量进行归一化处理，使其符合向量的定义，即所有元素的平方和为1。

代码实现：

import numpy as np
import re

# 读取词典
with open('bbc.terms') as f:
    dictionary = f.read().splitlines()

# 构建全0矩阵
doc_matrix = np.zeros((2225, len(dictionary)))

# 读取文本文件
with open('bbc.mtx') as f:
    for line in f:
        if line.startswith('%'):
            continue
        else:
            doc_id, word_id, freq = map(int, line.split())
            # 找到对应词在向量中的位置，词频+1
            doc_matrix[doc_id-1, word_id-1] += freq

# 归一化处理
doc_matrix /= np.linalg.norm(doc_matrix, axis=1)[:, np.newaxis]

print(doc_matrix)

结果示例：

[[0.         0.         0.         ... 0.         0.         0.        ]
 [0.         0.         0.         ... 0.         0.         0.        ]
 [0.         0.         0.         ... 0.         0.         0.        ]
 ...
 [0.         0.         0.         ... 0.         0.         0.        ]
 [0.         0.         0.         ... 0.         0.         0.        ]
 [0.         0.         0.         ... 0.         0.         0.        ]]
``