现在我有一个带标签的文本数据集，每条评论都有情感标注，1代表正面评论，0代表负面评论，请用python构建情感分类器，自动判别影评发布者的情感取向

好的，为了构建情感分类器，我们可以使用自然语言处理库NLTK和机器学习库Scikit-learn。首先，我们需要加载数据集并将其转换为适合机器学习算法使用的格式。

以下是一个基本的代码框架，可以帮助您开始构建情感分类器：

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVC
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv("data.csv")

# 创建特征向量和标签
tfidf = TfidfVectorizer()
features = tfidf.fit_transform(data["comment_text"])
labels = data["sentiment"]

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

# 训练模型和预测
model = LinearSVC()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 输出准确率
print("Accuracy:", accuracy_score(y_test, y_pred))

在这个例子中，我们使用了线性支持向量机（LinearSVC）作为分类器。我们使用TfidfVectorizer从数据集中提取特征并将其转换为向量。我们还使用train_test_split将数据集划分为训练集和测试集，并使用accuracy_score计算分类器的准确率。

请注意，这只是一个基本的框架，您可以根据您的需要进行修改和优化。例如，您可以尝试使用其他机器学习算法（如随机森林或朴素贝叶斯分类器）替换LinearSVC，或者使用交叉验证来更好地评估分类器的性能。