在文本分类之中，首先分词，然后将分词之后的文本进行tfidf计算，并向量化（这一部分是核心），最后利用传统机器学习算法进行分类就可以了。
因此我要在这里重点学习一下。
如果是‘filename’,传递给fit的参数序列应该是需要读取以获取要分析的原始内容的文件名列表。
如果“file”，序列项必须有一个“read”方法(类似文件的对象)，该方法被调用来获取内存中的字节。
否则，输入预期是序列字符串或字节项预期将被直接分析。
如果要解析字节或文件，则使用这个encoding进行解码。
如果给定一个字节序列来解析包含不属于给定编码的字符，该如何操作的指令。默认情况下，它是“strict”，这意味着将引发一个UnicodeDecodeError。其他值是“忽略”（ignore）和“替换”（replace）。
在预处理步骤中删除音标并执行其他字符标准化。“ascii”是一种只对具有直接ascii映射的字符有效的快速方法。unicode是一种稍微慢一点的方法，适用于任何字符。None(默认)什么也不做。
ascii和unicode都使用来自unicodedata.normalize的NFKD标准化。
在进行tokenizing（令牌化）之前，将所有字符转换为小写。
重写预处理(字符串转换)阶段，同时保留tokenizing（令牌化）和n-gram生成步骤。
重写字符串切词的步骤，同时保留预处理和n-gram生成步骤。仅当analyzer == 'word'时才可用。
特征是由单词还是n-gram的字符组成。
如果传递了一个可调用的函数，它将用于从未经处理的原始输入中提取一系列特征（feature）。
如果是字符串，则将其传递给_check_stop_list，并返回相应的停止列表。' english '是当前唯一受支持的字符串值。“english”有几个已知的问题，你应该考虑一个替代(see Using stop words)。言下之意就是过滤全部的英文单词。
如果是list型，假设list中包含停止词（stop words），所有停词将从分词结果（resulting tokens）中删除。仅当analyzer == 'word'时才适用。
如果是None，则不使用停止字。max_df可以设置为[0.7,1.0）范围内的一个值，根据语料库内文档中词汇的频率自动检测和过滤停止词。
构成一个“令牌”（token）的正则表达式，仅在analyzer == 'word'时可以使用。默认正则表达式选择由2个或更多字母数字字符的组成的标记（token）(标点符号完全被忽略，始终被当作令牌（token）分隔符)。
字典型，词语（terms）到特征索引（feature indices）之间的映射（mapping）。
逆文档频率(IDF)向量;只有当use_idf为True时才被定义。
因为如下原因被忽略的词语：
出现在太多文档中(max_df)
出现的文档太少(min_df)
被特征选择(max_features)截断。
只有在没有给出词汇表的情况下才可以使用。
----------------------------------我是分割线啊---------------------------------------
突然懒得更新了，给一个今天才发现的网址吧
https://blog.csdn.net/feng_zhiyu/article/details/81952697 https://blog.csdn.net/binglingzy666/article/details/79241486