sklearn对中文评论实现贝叶斯分类，区分好评和差评，给出示例代码

下面是一个使用sklearn实现中文评论贝叶斯分类的示例代码：

import jieba
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取数据
data = pd.read_csv('comments.csv')

# 分词
data['words'] = data['comment'].apply(lambda x: ' '.join(jieba.cut(x)))

# 特征提取
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(data['words'])
y = data['label']

# 构建模型
nb = MultinomialNB()
nb.fit(X, y)

# 测试模型
test_comment = '这个产品太差了，不值得购买！'
test_words = ' '.join(jieba.cut(test_comment))
test_X = vectorizer.transform([test_words])
predict = nb.predict(test_X)
if predict == 0:
    print('差评')
else:
    print('好评')

在这个示例中，我们首先使用`pandas`库读取了评论数据，并使用`jieba`库进行中文分词，然后使用`CountVectorizer`类将分词后的文本转换成特征矩阵。接着，我们使用`MultinomialNB`类构建了贝叶斯分类模型，并使用训练好的模型预测了一条新的评论。最后，根据模型预测结果判断该评论是好评还是差评。