帮我用朴素贝叶斯模型写一个餐饮评价的文本情感分析

好的，以下是使用朴素贝叶斯模型进行餐饮评价文本情感分析的示例代码：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

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

# 去除缺失值和重复值
data.dropna(inplace=True)
data.drop_duplicates(inplace=True)

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(data['text'], data['sentiment'], test_size=0.2, random_state=42)

# 特征提取
vectorizer = CountVectorizer()
X_train_vec = vectorizer.fit_transform(X_train)

# 训练模型
nb = MultinomialNB()
nb.fit(X_train_vec, y_train)

# 预测并评估
X_test_vec = vectorizer.transform(X_test)
y_pred = nb.predict(X_test_vec)
accuracy = accuracy_score(y_test, y_pred)
print("准确率为：", accuracy)

在这个示例中，我们首先读取了一个包含餐饮评价文本和对应情感的数据集，并对数据进行了预处理（去除缺失值和重复值）。然后，我们将数据集拆分为训练集和测试集，并使用`CountVectorizer`进行特征提取。最后，我们使用朴素贝叶斯模型进行训练和预测，并计算准确率。

需要注意的是，在实际应用中，我们可以对模型进行进一步优化，如调整超参数、使用其他特征提取方式、加入其他特征等，以提高模型的性能。