特点是短语
长句---叙述清楚完整，给人以较深的印象， 短句---短小，短语特征有，主谓短语，谓宾短语，谓补短语，偏正短语 短语特征有，偏正短语句子使用的词语多，形体长，结构复杂的叫长句，就可称为短句， 长句特点:表意严密、内容丰富、精确细致。
句子使用的词语多， 长句特点:表意严密、内容丰富、精确细致。
短句特点:表意灵活、简洁明快、节奏感强。
长句的作用:将短句改为长句，这会使句子更加生动、形象、具体。
使句子更加优美， 短句的作用:短句使用，使文章富 短句的作用:短句使用，使文章富有节奏感，具有音韵美，读起来朗朗上口，二是并列成分多，三是某一成分的结构比较复杂。
短语的特点是什么
语序是各类词语排列的前后顺序，直接组合的，语法 汉语组成短语的语法手段是语序和虚词。
语法短句---短小，主要是要了解各类短语的特征，其意义 主要是要了解各类短语的特征。
扩展阅读
什么是特征工程？特征工程解决了什么问题？特征工程为什么对机器学习很重要？如何做特征工程？如何做好特征工程？汇聚众多博主智慧，一篇文章全面理解和应用特征工程。
1 定义及意义
（1）定义特征工程特征工程是将原始数据转化为更好地表达问题本质的特征的过程，使这些特征应用于预测模型可以提高不可见数据的模型预测精度。特征工程简单来说就是寻找对因变量y有重大影响的特征，通常称为自变量x作为特征。特征工程的目的是寻找重要特征。如何将原始数据进行分解和聚合，更好地表达问题的本质？这就是做特征工程的目的。"特征工程是手工设计输入x的应该是什么。"你必须把你的输入变成算法可以理解的东西。"特征工程是数据挖掘模型开发中最耗时､最重要的一步｡
（3）相关概念
特征：对建模任务有用的属性。特征选择：从许多特征到几个有用的特征提取：从原始数据自动构建新特征。特征构建：从原始数据手动构建新特征。特征重要性：对特征有用性的估计。
1）特征和属性的区别？
并不是所有的属性都可以视为特征，区分它们的关键是看这个属性是否对解决这个问题有影响！特征可以被认为是建模任务的有用属性。表格式的数据是用行表示的实例，属性和变量用列表示。每个属性都可以是一个特征。特征和属性的区别在于，一个特征可以表达更多与问题上下文相关的内容。特征是对问题建模有意义的属性。我们用有意义（有用）来区分特征和属性，认为如果一个特征没有意义，就不会认为是特征；如果一个特征对问题没有影响，就不是问题的一部分；在计算机视觉领域，图像是一个对象，但特征可能是图像中的一条线；在自然语言处理中，每个文档或微博都是一个对象，一个短语或单词的计数可以作为特征。在语音识别中，声音是一个实例，特征可以是单个单词或发音。
2）特征的重要性是什么？
特征重要性可以被认为是一种选择特征重要性的评估方法。特征可以被赋予一个分数，然后根据这个分数进行排序。分数较高的特征可以被选择纳入训练集，其余的可以忽略。特征重要性分数可以帮助我们提取或构建新的特征。选择相似但不同的特征作为有用的特征。如果一个特征与一个因变量（预测的东西）高度相关，那么这个特征可能是重要的。相关系数和其他单变量方法（每个变量被认为相互独立）是比较常见的评估方法，一种比较复杂的方法是通过预测模型算法对特征进行评分，这些预测模型内部都有这样的特征选择机制，比如MARS、随机森林、梯度提升器，这些模型还可以推导出变量的重要性。
2 流程及方法
特征工程的定义多种多样，作者对特征工程的整个过程也有自己的理解，下面三张图片是比较常见的特征工程过程，可以参考一下，方便理解，有了对特征工程的深入理解，还是要在广泛学习的基础上对其有充分的自我认识。
2.数据采集
应该用什么数据来实现特征工程的目标？它需要与具体业务相结合，具体情况具体分析。重点关注以下三个方面：
①数据获取路径-如何获取功能（接口调用或自己清理或/github资源下载等）-如何存储？（/data/csv/txt/阵列/Dataframe//其他常用分布式）
②数据可用性评估-采集难度-覆盖率-准确性
③特征维度
通过数据获取，我们得到未经处理的特征，此时特征可能存在以下问题：-有缺失值：缺失值需要补充；-不属于同一维度：即特征的规格不同，不能放在一起比较；-信息冗余：对于一些量化特征，其中包含的有效信息是区间划分，比如学习成绩。如果你只关心“及格”或“不及格”，那么你需要将定量考试成绩转换成“1”和“0”来表示及格和不及格。-定性特征不能直接使用：一些机器学习算法和模型只能接受来自定量特征的输入，因此你需要将定性特征转换成定量特征。-信息利用率低：不同的机器学习算法和模型在数据中使用不同的信息。
然后最好是做一个描述，统计，分析数据的整体情况，可以尝试相关的可视化操作。它可以分为以下几个方面：
1 数据结构
2 质量检验
标准，唯一性，有效性，正确性，一致性，缺失值，异常值，重复值
3 分布情况
统计值
包括max、min、平均值、std等，用python中的熊猫库对数据进行序列化后，可以得到数据的统计值。
集中度趋势，偏差趋势，分布形态
对数据的完整性进行宏观了解后，即需要进入特征工程的第一个重要环节——特征处理，特征处理将消耗大量时间，并直接影响特征选择的结果。特征处理主要包括：①数据预处理。即数据的清理工作，主要针对缺失值、异常值、错误值、数据格式、采样程度等问题进行处理。②特征转换。即连续变量、离散变量、时间序列等的转换，容易入模。
1 数据预处理
（1）缺失值处理
有些特征可能因为无法采样或者没有观测值而缺失.例如距离特征,用户可能禁止获取地理位置或者获取地理位置失败,此时需要对这些特征做特殊的处理,赋予一个缺失值｡我们在进行模型训练时,不可避免的会遇到类似缺失值的情况,下面整理了几种填充空值的方法
删除缺失的值（dropna）
①删除实例
②删除特征
2）缺失值填充（fillna）
①用固定值填充
一种常见的特征值缺失方法是用固定值填充，如0, 9999, -9999，例如以下灰度评分的特征值缺失值全部用-99填充
作者：知乎—正阳
