简述sklearn库中CountVectorizer和TfidfVectorizer的使用和各参数的作用。

CountVectorizer和TfidfVectorizer是sklearn库中用于文本特征表示的工具。

CountVectorizer将文本文档转化为文档-词条矩阵，其中每一个文档为一行，每一个词条为一列，每一个元素表示该词条在当前文档中出现的频率。该工具可以通过参数对文本进行预处理，例如去除停用词、转换为小写等。

TfidfVectorizer则是在CountVectorizer的基础上引入了TF-IDF（Term Frequency-Inverse Document Frequency）权重策略，通过计算每个词条在文档集合中的重要性得到一个加权的文档-词条矩阵。

这两个工具各自的主要参数如下：

1. CountVectorizer的参数

- stop_words：停用词表，用于去除出现频率较高但又没有多大实际意义的单词。
- tokenizer：指定词条化函数，用于将文档分割成词条。
- ngram_range：指定要提取的n-gram特征的范围，例如(1, 2)表示提取单个词以及相邻两个词的二元组作为特征。
- max_features：限制词条数量，只提取出现频率最高的前max_features个词条。

2. TfidfVectorizer的参数

- stop_words、tokenizer、ngram_range、max_features等与CountVectorizer相同。
- sublinear_tf：控制是否使用对数缩放的TF值。
- use_idf：是否使用IDF值进行加权。
- smooth_idf：是否对IDF值加一，防止除零错误。

需要注意的是，以上参数只是各自的主要参数，具体使用还需要根据具体需求进行调整。