根据提供的data.csv（包含comment和star）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和根据分类结果，分别画出正向词云图，负向词云图的代码

好的，我可以帮你回答这个问题。首先，对于外卖评论的分类任务，我们可以使用机器学习中的文本分类方法来解决。针对这个问题，我们可以使用Python中的sklearn库来实现分类任务。以下是代码示例：

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

# 读取数据
data = pd.read_csv('data.csv')

# 分词
count_vect = CountVectorizer()
X_counts = count_vect.fit_transform(data['comment'])

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_counts, data['star'], test_size=0.2)

# 训练分类器
clf = MultinomialNB()
clf.fit(X_train, y_train)

# 预测测试集结果并计算准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

以上代码中，我们首先使用Pandas库读取外卖评论数据，并使用CountVectorizer工具对评论文本进行分词处理。然后，我们使用train_test_split函数将数据集划分为训练集和测试集，再使用朴素贝叶斯分类器对训练集进行训练。最后，我们使用预测测试集结果并计算准确率。

接下来，我们可以使用WordCloud库来绘制正负向评论的词云图。以下是代码示例：

import matplotlib.pyplot as plt
from wordcloud import WordCloud

# 获取正向评论文本
pos_text = ' '.join(data[data['star'] == 1]['comment'])

# 生成正向评论词云图
wordcloud_pos = WordCloud(background_color='white', width=800, height=600).generate(pos_text)
plt.imshow(wordcloud_pos)
plt.axis('off')
plt.show()

# 获取负向评论文本
neg_text = ' '.join(data[data['star'] == 0]['comment'])

# 生成负向评论词云图
wordcloud_neg = WordCloud(background_color='white', width=800, height=600).generate(neg_text)
plt.imshow(wordcloud_neg)
plt.axis('off')
plt.show()

以上代码中，我们首先使用Pandas库获取正向评论文本和负向评论文本，并将它们分别传入WordCloud库中进行处理并生成词云图。最后，我们使用Matplotlib库将生成的词云图显示出来。