Gensim的Word2Vec模型是词嵌入任务中常用的工具，随着版本更新，原有的词向量获取方式出现了变化，很多开发者在使用PCA对词向量降维时遇到了获取不到正确向量的问题，需要适配新的API规则。
旧版本与新版本API的核心差异
在Gensim 3.x及之前的版本中，我们可以直接通过model[word]或者model.wv[word]的方式获取词向量，但是新版本（4.x及以上）对词向量的存储和访问逻辑做了调整，直接访问模型实例的方式已经被废弃，统一需要通过wv属性来获取词向量，同时获取全量词向量的方式也从原来的model.wv.syn0改为了model.wv.vectors。
常见错误场景
- 直接使用
model[word]获取词向量，触发警告甚至报错 - 使用
model.wv.syn0获取全量词向量，返回空值或属性不存在错误 - 获取到的词向量维度与预期不符，导致PCA降维时维度不匹配
正确获取词向量的方法
获取单个词的向量
新版本下获取单个词的向量，需要直接访问wv属性的键值对，示例如下：
import gensim
from gensim.models import Word2Vec
# 准备训练语料
sentences = [["我", "喜欢", "自然语言处理"], ["词向量", "是", "NLP", "基础"]]
# 训练Word2Vec模型
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, epochs=10)
# 正确获取单个词的向量（新版本方式）
word = "自然语言处理"
if word in model.wv:
single_vector = model.wv[word]
print(f"词{word}的向量维度：{single_vector.shape}")
else:
print(f"词{word}不在模型词表中")
获取全量词向量用于PCA
当我们需要对所有词向量做PCA降维时，需要获取所有词对应的向量矩阵，新版本下需要使用model.wv.vectors属性，同时可以通过model.wv.index_to_key获取对应的词列表：
import numpy as np
from sklearn.decomposition import PCA
# 获取全量词向量矩阵
all_vectors = model.wv.vectors
# 获取对应的词列表
all_words = model.wv.index_to_key
print(f"全量词向量矩阵形状：{all_vectors.shape}")
print(f"词数量：{len(all_words)}")
# 初始化PCA，降维到2维
pca = PCA(n_components=2)
# 对词向量做降维
reduced_vectors = pca.fit_transform(all_vectors)
# 打印降维后的结果对应关系
for word, vec in zip(all_words, reduced_vectors):
print(f"词：{word}，降维后向量：{vec}")
PCA使用中的注意事项
注意：Word2Vec训练完成后，词向量的维度是固定的，PCA降维时输入的矩阵行数必须和词数量一致，列数为词向量维度，否则会出现维度不匹配的错误。
如果需要对部分词做PCA降维，不要直接截取all_vectors的某几行，而是先筛选出需要的词，再逐个获取向量组成新矩阵：
# 筛选需要降维的词
target_words = ["我", "喜欢", "词向量"]
target_vectors = []
for word in target_words:
if word in model.wv:
target_vectors.append(model.wv[word])
# 转换为numpy矩阵
target_matrix = np.array(target_vectors)
# 做PCA降维
pca = PCA(n_components=2)
target_reduced = pca.fit_transform(target_matrix)
for word, vec in zip(target_words, target_reduced):
print(f"目标词：{word}，降维后向量：{vec}")
版本兼容性建议
如果你的项目需要兼容新旧版本的Gensim，可以添加版本判断逻辑，示例如下：
import gensim
from packaging import version
# 判断Gensim版本
if version.parse(gensim.__version__) >= version.parse("4.0.0"):
all_vectors = model.wv.vectors
else:
all_vectors = model.wv.syn0
print(f"当前Gensim版本：{gensim.__version__}")
print(f"词向量矩阵形状：{all_vectors.shape}")
以上就是在Gensim Word2Vec API更新后，正确获取词向量并用于PCA降维的完整方法，按照新版本的API规则调整代码，就可以避免获取词向量时的各类错误，保证后续降维任务的正常运行。