采用两种方法对邮件内容进行特征提取及向量化（提示：CountVectorizer和TF-IDF）

在文本数据处理中，常用的特征提取和向量化技术有CountVectorizer和Term Frequency-Inverse Document Frequency (TF-IDF)。这两种方法常用于电子邮件、新闻文章等自然语言处理任务。

1. **CountVectorizer**：
CountVectorizer是一种基于词频统计的方法，它将每封邮件的内容转换成一个矩阵，其中每一行代表一封邮件，每一列对应文档中的一个词语（或者称为“token”）。每个元素的值就是该单词在相应邮件中出现的次数。这种方法简单直接，忽略了词语的重要性，但它对于理解单词在整个文集中的相对频率很有帮助。

2. **TF-IDF**：
TF-IDF是一个更高级别的特征表示法，除了考虑词频（TF，Term Frequency），还考虑了词语在文档集合中的普遍性和独特性（IDF，Inverse Document Frequency）。TF-IDF公式是词频乘以逆文档频率，高TF和低IDF表明这个词在当前文档中重要且独特。因此，TF-IDF能够捕捉到那些既常见又在特定上下文中特别关键的词语，更适合信息检索和主题模型。

当你准备这两者之一的向量表示时，通常先使用CountVectorizer构建基础的词频矩阵，然后通过fit_transform()方法将其转换为TF-IDF形式。例如，在Python的sklearn库中：

from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer

# 创建CountVectorizer实例
vectorizer = CountVectorizer()
X_counts = vectorizer.fit_transform(emails)

# 使用TF-IDF转换
tfidf_transformer = TfidfTransformer()
X_tfidf = tfidf_transformer.fit_transform(X_counts)