根据提供的data.csv附件，对外卖评论进行分类，2分类，正向负向，两种方式：sklearn调用以及自己编写模型类。根据分类结果，分别画出正向词云图，负向词云图

好的，那我先来介绍一下使用sklearn进行文本分类的步骤：

1. 提取文本特征，可以使用词袋（Bag of Words）模型或者TF-IDF（Term Frequency-Inverse Document Frequency）模型
2. 划分训练集和测试集
3. 选择分类器，可以使用朴素贝叶斯（Naive Bayes）、支持向量机（SVM）等
4. 训练模型，使用训练集进行训练
5. 预测测试集，评估模型性能
6. 使用模型进行预测

下面是使用sklearn进行文本分类的代码实现，包括提取文本特征、划分训练集和测试集、选择分类器、训练模型、预测测试集和评估模型性能：

# 导入相关库
import pandas as pd
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('data.csv')

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

# 提取文本特征
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(data['cut_comment'].values)
y = data['label'].values

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

# 选择分类器
clf = MultinomialNB()

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 评估模型性能
print('Accuracy:', accuracy_score(y_test, y_pred))

# 使用模型进行预测
comment = '这家店的菜很好吃，服务也很好，下次还会来'
cut_comment = ' '.join(jieba.cut(comment))
X_new = vectorizer.transform([cut_comment])
y_new = clf.predict(X_new)
print('预测结果:', y_new[0])

# 生成正向词云图
pos_words = ' '.join(data[data['label'] == 1]['cut_comment'])
pos_wordcloud = WordCloud(background_color='white', width=800, height=600, font_path='simhei.ttf').generate(pos_words)
plt.imshow(pos_wordcloud)
plt.axis('off')
plt.show()

# 生成负向词云图
neg_words = ' '.join(data[data['label'] == 0]['cut_comment'])
neg_wordcloud = WordCloud(background_color='white', width=800, height=600, font_path='simhei.ttf').generate(neg_words)
plt.imshow(neg_wordcloud)
plt.axis('off')
plt.show()

上述代码中，我们使用了sklearn库中的TfidfVectorizer类对文本进行特征提取，使用了MultinomialNB类作为分类器，使用了train_test_split函数划分训练集和测试集，使用了accuracy_score函数评估模型的性能，使用了WordCloud库生成词云图。

如果您要使用自己编写模型类的方式进行文本分类，可以参考以下代码：

# 导入相关库
import pandas as pd
import jieba
import numpy as np
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 定义朴素贝叶斯模型类
class NaiveBayes:
    def __init__(self):
        self.total = None  # 所有单词的总数
        self.pos_total = None  # 正向评论的总数
        self.neg_total = None  # 负向评论的总数
        self.pos_dict = None  # 正向评论中每个单词出现的次数
        self.neg_dict = None  # 负向评论中每个单词出现的次数
        self.pos_prob = None  # 正向概率
        self.neg_prob = None  # 负向概率

    # 训练模型
    def train(self, X_train, y_train):
        self.total = 0
        self.pos_total = 0
        self.neg_total = 0
        self.pos_dict = {}
        self.neg_dict = {}

        # 统计正向评论和负向评论中每个单词出现的次数
        for i in range(X_train.shape[0]):
            words = X_train[i].split()
            label = y_train[i]
            self.total += len(words)
            if label == 1:
                self.pos_total += len(words)
                for word in words:
                    if word not in self.pos_dict:
                        self.pos_dict[word] = 1
                    else:
                        self.pos_dict[word] += 1
            else:
                self.neg_total += len(words)
                for word in words:
                    if word not in self.neg_dict:
                        self.neg_dict[word] = 1
                    else:
                        self.neg_dict[word] += 1

        # 计算正向概率和负向概率
        self.pos_prob = self.pos_total / self.total
        self.neg_prob = self.neg_total / self.total

    # 预测测试集
    def predict(self, X_test):
        y_pred = []
        for i in range(X_test.shape[0]):
            words = X_test[i].split()
            pos_score = np.log(self.pos_prob)
            neg_score = np.log(self.neg_prob)
            for word in words:
                if word in self.pos_dict:
                    pos_score += np.log((self.pos_dict[word] + 1) / (self.pos_total + len(self.pos_dict)))
                else:
                    pos_score += np.log(1 / (self.pos_total + len(self.pos_dict)))
                if word in self.neg_dict:
                    neg_score += np.log((self.neg_dict[word] + 1) / (self.neg_total + len(self.neg_dict)))
                else:
                    neg_score += np.log(1 / (self.neg_total + len(self.neg_dict)))
            if pos_score > neg_score:
                y_pred.append(1)
            else:
                y_pred.append(0)
        return y_pred

# 读取数据
data = pd.read_csv('data.csv')

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data['cut_comment'].values, data['label'].values, test_size=0.2, random_state=42)

# 训练模型
clf = NaiveBayes()
clf.train(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 评估模型性能
print('Accuracy:', accuracy_score(y_test, y_pred))

# 使用模型进行预测
comment = '这家店的菜很好吃，服务也很好，下次还会来'
cut_comment = ' '.join(jieba.cut(comment))
X_new = np.array([cut_comment])
y_new = clf.predict(X_new)
print('预测结果:', y_new[0])

# 生成正向词云图
pos_words = ' '.join(data[data['label'] == 1]['cut_comment'])
pos_wordcloud = WordCloud(background_color='white', width=800, height=600, font_path='simhei.ttf').generate(pos_words)
plt.imshow(pos_wordcloud)
plt.axis('off')
plt.show()

# 生成负向词云图
neg_words = ' '.join(data[data['label'] == 0]['cut_comment'])
neg_wordcloud = WordCloud(background_color='white', width=800, height=600, font_path='simhei.ttf').generate(neg_words)
plt.imshow(neg_wordcloud)
plt.axis('off')
plt.show()

上述代码中，我们定义了一个NaiveBayes类来实现朴素贝叶斯模型，使用了train函数训练模型，使用了predict函数预测测试集，使用了accuracy_score函数评估模型的性能，使用了WordCloud库生成词云图。

以上是使用sklearn调用和自己编写模型类的方式进行文本分类，并生成正向词云图和负向词云图的代码实现。