限制你的特徵數量
如你所見，使用 CountVectorizer 的預設設定，會為語料庫中的每個單字建立一個特徵。這通常會產生過多特徵，且其中許多對分析幫助不大。
為此，CountVectorizer 提供一些參數可用來減少特徵數量：
min_df：只使用出現在超過此比例文件中的單字。這能移除在各文本間難以泛化的離群單字。max_df：只使用出現在低於此比例文件中的單字。這能排除像「and」或「the」這類在每個語料中都很常見、但幾乎沒有資訊量的單字。
本練習屬於課程
Feature Engineering for Machine Learning in Python
練習說明
- 透過設定 CountVectorizer 的參數，將單字可出現的文件比例下限設為 20%，上限設為 80%，以限制特徵數量。
- 以一步完成在
text_clean欄位上訓練並套用向量器。 - 將轉換後（稀疏）的陣列轉成含計數的 numpy 陣列。
- 列印新的降維陣列的維度。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import CountVectorizer
from sklearn.feature_extraction.text import CountVectorizer
# Specify arguements to limit the number of features generated
cv = ____
# Fit, transform, and convert into array
cv_transformed = ____(speech_df['text_clean'])
cv_array = ____
# Print the array shape
print(____)