使用词袋表示的主要缺点之一就是完全舍弃了单词顺序。因此“its bad，not good at all”和“its good，not bad at all”这两个字符串的词袋表示完全相同，尽管它们的含义相反。幸运的是，使用词袋表示时有一种获取上下文的方法，就是不仅考虑单一词例的计数，而且还考虑相邻的两个或是哪个词例的计数。

两个词例被称为二元分词，三个词例被称为三元分词，更一般的词例序列被称为n元分词。我们可以通过改变CountVectorizer或TfidfVectorizer的ngram_range参数来改变作为特征的词例范围。ngram_range参数是一个元组，包含要考虑的词例序列的最小长度和最大长度。

下面是之前用过的数据上的一个实例：

print('bards_words:{}'.format(bards_words))

默认情况下，为每个长度为1且最大为1的词例序列创建一个特征——单个单词也被称为一元分词：

cv=CountVectorizer(ngram_range=(1,1)).fit(bards_words)
print('词表大小：{}'.format(len(cv.vocabulary_)))
print('词表：{}'.format(cv.get_feature_names_out()))

要想仅查看二元分词，可以将ngram_range设为(2,2)

cv=CountVectorizer(ngram_range=(2,2)).fit(bards_words)
print('词表大小：{}'.format(len(cv.vocabulary_)))
print('词表：{}'.format(cv.get_feature_names_out()))

使用更长的词例序列通常会得到更多的特征，也会得到更具体的特征。bards_words的两个短语中没有相同的二元分词：

print('Transform data(dende):\n{}'.format(cv.transform(bards_words).toarray()))

对于大多数应用来说，最小的词例数量应该是1，因为单个单词通常包含丰富的含义，在大多数情况下，添加二元分词会有帮助，添加更长的序列（一致到五元分词）也可能有帮助，但这会导致特征数量的大大增加，也可能导致过拟合，因为其中包含许多非常具体的特征。

原则上来说，二元分词的数量是一元分词数量的平方，三元分词的数量是一元分词数量的三次方，从而导致非常大的特征空间。

实践中，更高的n元分词在数据中的出现次数实际上更少。