5个文件夹分别是文学、教育、计算机、医学、体育。要求编写程序，通过对5个类别中文档的学习，通过词频统计获取5种文档的类别向量。然后自己寻找任意5个类别的文档，通过你的程序处理，能够获得正确的类别信息。并通过一定数量的文档测试，计算你的程序分类的准确率。python

这是一个文本分类问题，可以使用机器学习中的朴素贝叶斯算法来解决。具体的实现步骤如下：

1. 构建语料库，将文学、教育、计算机、医学、体育五个类别的文档分别存放在对应的文件夹下。

2. 对于每个类别，统计每个词在该类别中出现的频率，并计算该类别中总的词数。这些词频信息可以保存在一个字典中。

import os

# 定义一个函数，统计文件夹中每个词的出现频率
def count_words(folder):
    word_counts = {}
    total_words = 0
    for filename in os.listdir(folder):
        with open(os.path.join(folder, filename), 'r', encoding='utf-8') as f:
            for line in f:
                words = line.strip().split()
                for word in words:
                    if word not in word_counts:
                        word_counts[word] = 0
                    word_counts[word] += 1
                    total_words += 1
    return word_counts, total_words

# 统计每个类别中词语的出现频率和总词数
folders = ['文学', '教育', '计算机', '医学', '体育']
word_counts = {}
total_words = {}
for folder in folders:
    word_counts[folder], total_words[folder] = count_words(folder)

3. 对于一个新的文档，计算它在每个类别下的概率，选择概率最大的类别作为文档的类别。为了避免概率为零的情况，可以使用拉普拉斯平滑。

# 定义一个函数，计算一个新文档在每个类别下的概率
def predict_class(text, word_counts, total_words):
    classes = list(word_counts.keys())
    probs = []
    for c in classes:
        prob = 0
        for word in text.strip().split():
            if word in word_counts[c]:
                prob += log((word_counts[c][word] + 1) / (total_words[c] + len(word_counts[c])))
            else:
                prob += log(1 / (total_words[c] + len(word_counts[c])))
        probs.append(prob)
    max_prob = max(probs)
    max_index = probs.index(max_prob)
    return classes[max_index]

4. 对于任意一个文档，使用上述函数进行分类。

# 读取一个文档，并进行分类
with open('test.txt', 'r', encoding='utf-8') as f:
    text = f.read()
    print(predict_class(text, word_counts, total_words))

5. 为了评估分类的准确率，可以使用交叉验证的方法，在每个类别中选取一部分作为测试集，其余的作为训练集。在测试集上进行分类，并计算分类的准确率。

# 定义交叉验证函数，计算分类准确率
from random import shuffle

def cross_validation(folders, n_folds=5):
    accuracy = 0
    for i in range(n_folds):
        train_counts = {}
        train_total = {}
        test_files = []
        for folder in folders:
            filenames = os.listdir(folder)
            shuffle(filenames)
            test_files += filenames[:len(filenames)//n_folds]
            train_counts[folder], train_total[folder] = count_words(os.path.join(folder, filename) for filename in filenames[len(filenames)//n_folds:])
        correct = 0
        for filename in test_files:
            with open(os.path.join(folder, filename), 'r', encoding='utf-8') as f:
                text = f.read()
                predicted_class = predict_class(text, train_counts, train_total)
                if predicted_class == folder:
                    correct += 1
        accuracy += correct / len(test_files)
    return accuracy / n_folds

print(cross_validation(folders))