如需根据每个文档中的单词数量构建词袋模型，我们可以使用scikit-learn中的Count-Vectorizer类。如下述代码所示，CountVectorizer以文本数据数组作为输入，其中文本数据可以是个文档或仅仅是个句子，返回的就是我们所要构建的词袋模型：
通过调用CountVectorizer的fit_tranform方法，我们创建了词袋模型的词汇库，并将下面三个句子转换成为稀疏的特征向量：
我们将相关词汇的内容显示出来，以更好地理解相关概念：
由上述命令的运行结果可见，词汇以Python字典的格式存储，将单个的单词映射为一个整数索引。下面我们来看一下之前创建的特征向量：
特征向量中的每个索引位置与通过CountVectorizer得到的词汇表字典中存储的整数值对应。例如，索引位置为0的第一个特征对应单词and，它只在最后一个文档中出现过；单词is的索引位置是1（文档向量中的第二个特征），它在三个句子中都出现过。出现在特征向量中的值也称作原始词频（raw term frequency）：tf（t,d）——词汇t在文档d中出现的次数。
我们刚创建的词袋模型中，各项目的序列也称为1元组（1-gram）或者单元组（unigram）模型——词汇表中的每一项或者每个单元代表一个词汇。更普遍地，自然语言处理（NLP）中各项（包括单词、字母、符号）的序列，也称作n元组（n-gram）。n元组模型中数字n的选择依赖于特定的应用；例如，Kanaris等人通过研究发现，在反垃圾邮件过滤中，n的值为3或者4的n元组即可得到很好的效果（Ioannis Kanaris,Konstantinos Kanaris,Ioannis Houvardas,and Efstathios Stamatatos.Words vs Character N-Grams for Anti-Spam Filtering.International Journal on Artificial Intelligence Tools,16（06）:1047–1067,2007）。对n元组表示的概念做个总结，分别使用1元组和2元组来表示文档"the sum is shining"的结果如下：
·1元组："the"，"sun"，"is"，"shining"
·2元组："the sun"，"sun is"，"is shining"
借助于scikit-learn中的CountVecorizer类，我们可以通过设置其ngram_range参数来使用不同的n元组模型。此类默认为1元组，使用ngram_range=（2,2）初始化一个新的CountVectorizer类，可以得到一个z元组表示。