diff --git a/ljh.py b/ljh.py
new file mode 100644
index 0000000..cd40ced
--- /dev/null
+++ b/ljh.py
@@ -0,0 +1,36 @@
+from sklearn.feature_extraction.text import CountVectorizer
+
+
+docs = [
+    "Python 是 编程 语言",
+    "Java 是 编程 语言",
+    "Python Python Python"
+]
+
+
+vectorizer = CountVectorizer()
+X = vectorizer.fit_transform(docs)
+
+
+print("词表（Vocabulary）：")
+print(vectorizer.get_feature_names_out())
+
+
+print("\n每个文档的BoW向量：")
+for i, doc_vec in enumerate(X.toarray()):
+    print(f"Doc{i+1}: {doc_vec}")
+
+
+# 6.BoW模型的缺点及场景问题：
+# 1. 忽略词序与上下文语义
+#    - 问题：BoW仅统计词频，不考虑词语顺序，
+#      例如"我喜欢Python"和"Python喜欢我"的BoW向量完全相同，但语义相反，
+#      在情感分析、语义理解任务中会导致错误。
+#
+# 2. 无法处理一词多义/多词一义
+#    - 问题：BoW将每个词视为独立符号，无法识别"苹果"（水果/公司）的不同含义，
+#      也无法识别"电脑"和"计算机"的同义关系，在语义检索、文本分类中会降低精度。
+#
+# 3. 向量稀疏且维度爆炸
+#    - 问题：当语料库词汇量很大时，向量维度会极高，且大部分元素为0，
+#      增加计算开销，在大规模文本处理中效率低下。