Python中的詞向量是一種非常有用的數據結構，它可以將單詞轉換為數值向量，從而便于進行深度學習、文本分類、推薦系統等應用。在Python中，詞向量可以通過各種庫和工具包來實現，例如gensim、NLTK和spaCy等。

下面是一個使用gensim庫輸出詞向量的例子：

import gensim
sentences = [["computer", "science", "is", "fun"],
["python", "is", "the", "best", "programming", "language"]]
model = gensim.models.Word2Vec(sentences, min_count=1)
print(model['computer'])

在這個例子中，我們首先定義了一個包含兩個句子的語料庫sentences。接著，我們使用gensim中的Word2Vec模型，將語料庫中的單詞轉換為詞向量。最后，我們輸出了單詞“computer”的詞向量。

需要注意的是，詞向量的維度通常非常高，可以有數百到數千個維度。因此，輸出的詞向量可能非常長且難以讀取。此時，我們可以使用pandas庫來將其轉換為表格形式進行更好的可視化。

import pandas as pd
df = pd.DataFrame(model[model.wv.vocab], index=model.wv.vocab)
print(df.head())

在這個例子中，我們首先使用pandas的DataFrame函數將詞向量轉換為表格形式。其中，model.wv.vocab是gensim中的一個字典類型，包含了所有出現過的單詞及其在語料庫中的詞頻。

輸出結果將會是一個包含所有出現過的單詞及其對應詞向量的表格，方便我們進行進一步的處理和分析。