Python 从包含文本（描述性）数据的pandas列中提取特征，并将其与其他特征相结合？

我有如下数据集（数据集中只有一行和一些列）

我想从文本列中提取特征。下面我使用tf idf方法

这就是我要绑的东西

from sklearn.feature_extraction.text import TfidfVectorizer
tf = TfidfVectorizer(analyzer='word', ngram_range=(1,3), min_df = 0, stop_words = 'english')

# Calculating tf-idf for summary column(only for single text) 
tfidf_matrix =  tf.fit_transform(raw_data['summary'][:1])
feature_names = tf.get_feature_names() 

print len(feature_names)

feature_names[50:70]

dense = tfidf_matrix.todense()

现在，我的第一个文本列summary得到了密集矩阵表示（仅适用于第一个文本数据）

我的问题是如何将其与数据集中的其他特性结合起来，以便将其用于模型

我需要将所有文本列合并到单个列中，然后计算tf idf值，还是需要分别计算每个文本列的tf idf值

参考以下链接：

from sklearn.feature_extraction.text import TfidfVectorizer
tf = TfidfVectorizer(analyzer='word', ngram_range=(1,3), min_df = 0, stop_words = 'english')

# Calculating tf-idf for summary column(only for single text) 
tfidf_matrix =  tf.fit_transform(raw_data['summary'][:1])
feature_names = tf.get_feature_names() 

print len(feature_names)

feature_names[50:70]

dense = tfidf_matrix.todense()