现有好评和差评两个文本文件，我需要对这两个中文文本文件作为训练集，使用sklearn实现贝叶斯分类，区分好评和差评，给出示例代码

好的，以下是一个简单的示例代码：

import jieba
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取文件内容
with open('positive.txt', 'r', encoding='utf-8') as f:
    pos_data = f.readlines()
with open('negative.txt', 'r', encoding='utf-8') as f:
    neg_data = f.readlines()

# 进行分词和去除停用词
stopwords = []
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    stopwords = f.read().splitlines()

pos_words = []
for line in pos_data:
    words = jieba.cut(line, cut_all=False)
    words = [w for w in words if w not in stopwords]
    pos_words.append(' '.join(words))

neg_words = []
for line in neg_data:
    words = jieba.cut(line, cut_all=False)
    words = [w for w in words if w not in stopwords]
    neg_words.append(' '.join(words))

# 将文本转换为向量
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(pos_words + neg_words)
y = [1] * len(pos_words) + [0] * len(neg_words)

# 训练模型
clf = MultinomialNB()
clf.fit(X, y)

# 测试模型
test_text = '这个产品真心不错！'
test_words = ' '.join(jieba.cut(test_text, cut_all=False))
test_vec = vectorizer.transform([test_words])
pred = clf.predict(test_vec)
if pred[0] == 1:
    print('好评')
else:
    print('差评')

在这个示例代码中，我们首先读取了好评和差评两个文本文件，并进行了分词和去除停用词的预处理。然后使用sklearn中的CountVectorizer将文本转换为向量，使用MultinomialNB训练贝叶斯分类器模型。最后对一个测试文本进行预测，并输出预测结果。