写一段代码逻辑回归文本分类

以下是一个简单的逻辑回归文本分类的代码示例，使用sklearn库：

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression

# 训练数据集
train_texts = ['This is good', 'This is bad', 'I like it', 'I hate it']
train_labels = [1, 0, 1, 0]

# 构建特征向量
vectorizer = CountVectorizer()
train_features = vectorizer.fit_transform(train_texts)

# 定义逻辑回归模型
lr_model = LogisticRegression()

# 拟合训练数据
lr_model.fit(train_features, train_labels)

# 测试数据集
test_texts = ['This is great', 'This is terrible', 'I love it', 'I can\'t stand it']

# 转换测试数据为特征向量
test_features = vectorizer.transform(test_texts)

# 预测测试数据的标签
predictions = lr_model.predict(test_features)

# 打印预测结果
for i, text in enumerate(test_texts):
    print(text + ' -> ' + str(predictions[i]))

在上面的代码中，首先我们定义了一个训练数据集，包含四个文本和对应的标签。然后我们使用CountVectorizer构建了特征向量，使用逻辑回归模型拟合训练数据，并对测试数据进行预测。最后输出了测试数据的预测结果。