Python中的詞袋（Bag of Words）是一種自然語言處理的基本技術，用于將文本數據轉換為數值向量表示，方便進行機器學習和文本分類。在詞袋模型中，一個文本被表示為一個向量，其中每個維度對應于語料庫中的一個詞匯，向量的值表示該詞匯在文本中出現的次數或其他權重值。

例子：
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
texts = ['Python 是一門非常流行的編程語言',
'人工智能 是 未來 的 發展 方向',
'Python 在 機器學習 中 得到 廣泛 的 應用']
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(texts)
print(X.toarray())

在上面的例子中，我們使用了scikit-learn庫中的CountVectorizer函數來將文本數據轉換為數值向量。打印輸出的X矩陣即為詞袋模型中的向量表示，每行表示一個文本，每列表示一個詞匯，矩陣的值表示該詞匯在文本中出現的次數。例如，第一行表示“Python”在第一個文本中出現了1次，“流行”的出現次數為1，“編程語言”的出現次數為1。

詞袋模型是一個簡單有效的文本表示方法，但也存在一些缺點。首先，它將文本數據看作獨立無關的，忽略了單詞之間的順序和語義關系，因此可能導致信息損失。其次，由于詞匯量往往巨大，使得向量維度也非常龐大，導致計算和存儲成本較高。