请用python实现：入住酒店的客人的评价文本("酒店客评5000正2000负.csv")，可以分为肯定的正面评价，以及否定的负面评价2大类。 1 读取数据库，探索、清洗数据库 2 将汉字文本分词、去除标点、空格等 3 创建keras.preprocessing.text.Tokenizer对象，用texts_to_sequences将单词化为整数编号 4 用Embedding以及LSTM等构建模型，训练

好的，以下是一个实现的示例代码，您可以参考一下：

import pandas as pd
import jieba
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense, Embedding, LSTM

# 读取数据集
df = pd.read_csv("酒店客评5000正2000负.csv")

# 探索、清洗数据库
df = df.drop_duplicates()  # 删除重复的行
df = df.dropna()  # 删除缺失值

# 将汉字文本分词、去除标点、空格等
def process_text(text):
    text = jieba.cut(text)  # 分词
    text = [word.lower() for word in text]  # 转为小写
    text = [word for word in text if word.isalpha()]  # 去除标点
    return " ".join(text)

df["text"] = df["text"].apply(process_text)

# 创建Tokenizer对象，将单词化为整数编号
tokenizer = Tokenizer()
tokenizer.fit_on_texts(df["text"])

# 构建模型
vocab_size = len(tokenizer.word_index) + 1
max_len = 100

model = Sequential()
model.add(Embedding(vocab_size, 128, input_length=max_len))
model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation="sigmoid"))
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])

# 准备数据
X = tokenizer.texts_to_sequences(df["text"])
X = pad_sequences(X, maxlen=max_len)
y = df["label"].values

# 训练模型
model.fit(X, y, validation_split=0.2, epochs=10, batch_size=64)

这段代码实现了您提出的四个步骤：

1. 读取数据库，探索、清洗数据库：使用pandas库读取csv文件，并使用drop_duplicates()和dropna()函数清洗数据。
2. 将汉字文本分词、去除标点、空格等：使用jieba库分词，并使用isalpha()函数去除标点。
3. 创建keras.preprocessing.text.Tokenizer对象，用texts_to_sequences将单词化为整数编号：使用Tokenizer()函数创建对象，并使用fit_on_texts()函数将文本中的单词添加到对象中，使用texts_to_sequences()函数将每个单词转换为整数编号。
4. 用Embedding以及LSTM等构建模型，训练：使用Embedding()、LSTM()和Dense()函数构建模型，并使用compile()函数编译模型，使用fit()函数训练模型。

希望这个示例代码可以帮助您完成任务。如有任何问题，请随时提问。