在训练集上针对不同类别（根据标签），去除text的停用词后提取text相关的关键词，并用词云的形式进行展示 text为中文

好的，针对中文数据，我们可以使用 jieba 库来进行分词和提取关键词。具体实现代码如下：

import pandas as pd
import numpy as np
import re
import jieba
from collections import Counter
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv('train.csv')
df = df[['text', 'target']]
df = df.dropna()

# 分组
groups = df.groupby('target')

# 加载停用词
stop_words = set()
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    for line in f.readlines():
        stop_words.add(line.strip())

# 定义函数，用于去除停用词和提取关键词
def extract_keywords(text):
    words = [word for word in jieba.cut(text) if word not in stop_words]
    return Counter(words).most_common(10)

# 提取关键词
keywords = {}
for name, group in groups:
    keywords[name] = []
    for text in group['text']:
        keywords[name].extend(extract_keywords(text))
    keywords[name] = dict(keywords[name])

# 绘制词云
for name, words in keywords.items():
    wordcloud = WordCloud(width=800, height=400, font_path='msyh.ttc').generate_from_frequencies(words)
    plt.figure(figsize=(12, 8))
    plt.imshow(wordcloud, interpolation='bilinear')
    plt.axis("off")
    plt.title(name)
    plt.show()

在这个代码中，我们使用了 jieba 库来进行中文分词和提取关键词。我们同样加载了一个中文停用词表，并将其读入一个 set 中。然后我们定义了一个函数来去除停用词和提取关键词。接着，我们遍历每个类别的文本，并将提取出来的关键词合并到一个字典中。最后，我们使用 WordCloud 库生成中文词云。

这里需要注意的是，我们使用了一个中文字体（微软雅黑）来绘制词云，因为默认字体可能不支持中文字符。如果你希望使用其他字体，可以将其字体文件路径传递给 WordCloud 类的 font_path 参数。