python代码实现在第一步得到tarin_txt的数据的基础上对19类关系进行分类，生成的文本存放在exp1_train文件夹下，按照关系类别出现的顺序，第一个关系类别的数据存放在1.txt中，第二个关系类别存放在2.txt中，直到19.txt。

以下是示例代码，需要先安装nltk库和scikit-learn库：

import os
import re
import nltk
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVC

# 读取train_txt中的数据
data_dir = "train_txt"
data = []
labels = []
for rel in range(1, 20):
    rel_dir = os.path.join(data_dir, f"relation{rel}")
    for file in os.listdir(rel_dir):
        with open(os.path.join(rel_dir, file), "r", encoding="utf-8") as f:
            text = f.read().strip()
            data.append(text)
            labels.append(rel)

# 数据预处理
stop_words = set(nltk.corpus.stopwords.words("english"))
lemmatizer = nltk.stem.WordNetLemmatizer()
preprocessed_data = []
for text in data:
    # 去除标点符号和数字
    text = re.sub(r"[^a-zA-Z\s]", "", text)
    # 分词和词形还原
    tokens = nltk.word_tokenize(text)
    lemmas = [lemmatizer.lemmatize(token.lower()) for token in tokens]
    # 去除停用词
    tokens = [token for token in lemmas if token not in stop_words]
    preprocessed_data.append(" ".join(tokens))

# 特征提取
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(preprocessed_data)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42)

# 训练SVM分类器
clf = LinearSVC()
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = sum(y_pred == y_test) / len(y_test)
print(f"Accuracy: {accuracy:.4f}")

# 将文本按关系类别分类保存
exp_dir = "exp1_train"
os.makedirs(exp_dir, exist_ok=True)
for rel in range(1, 20):
    rel_data = [data[i] for i in range(len(data)) if labels[i] == rel]
    with open(os.path.join(exp_dir, f"{rel}.txt"), "w", encoding="utf-8") as f:
        f.write("\n\n".join(rel_data))

上述代码中，首先读取train_txt中19类关系的数据，并将标签存储在labels列表中。然后对数据进行预处理，包括去除标点符号和数字、分词、词形还原和去除停用词等。接着使用TfidfVectorizer提取文本特征，将文本转换为稀疏矩阵。将数据划分为训练集和测试集，并使用LinearSVC训练一个线性SVM分类器。最后对测试集进行预测并计算准确率。最后，将文本按关系类别分类保存在exp1_train文件夹下。