在学习通资料目录下，提供了5各类别的中文文档各若干篇，5个类别分别是文学、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，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。（本题属于文本的自动分类问题）并通过一定数量的文档测试，计算你的程序分类的准确率。

这是一个经典的文本分类问题，可以使用机器学习方法解决。以下是一种简单的解决方法：

1. 预处理文本数据。对于每个文档，需要进行分词、去停用词、词形还原等操作，以便于后续处理。可以使用现成的中文分词工具，如jieba，以及其他自然语言处理工具包。

2. 提取文档特征。将文档表示成特征向量是文本分类的关键步骤。一种简单的方法是使用词袋模型，即将文档中的所有词汇作为特征，统计每个词汇在文档中出现的次数。也可以使用其他特征提取方法，如TF-IDF等。

3. 训练分类器。将提取出的文档特征和对应的类别标签作为训练数据，训练一个分类器模型。可以使用常见的分类器模型，如朴素贝叶斯、支持向量机、随机森林等。

4. 测试分类器。使用测试数据集测试训练好的分类器模型，计算分类器的准确率。

下面是一个简单的示例代码，使用朴素贝叶斯分类器：

import os
import jieba
from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

# 分类标签
labels = ['文学', '教育', '计算机', '医学', '体育']

# 预处理文本数据
def preprocess_text(text):
    # 使用jieba分词
    words = jieba.cut(text)
    # 去除停用词
    stopwords = set(open('stopwords.txt', 'r', encoding='utf-8').read().splitlines())
    words = [word for word in words if word not in stopwords]
    # 词形还原等其他操作
    # ...
    return ' '.join(words)

# 加载数据集
def load_data():
    data = []
    target = []
    for label_id, label in enumerate(labels):
        for file in os.listdir(label):
            with open(os.path.join(label, file), 'r', encoding='utf-8') as f:
                text = f.read()
                data.append(preprocess_text(text))
                target.append(label_id)
    return data, target

# 训练分类器
def train_classifier():
    # 加载数据集
    data, target = load_data()
    # 构建文档特征向量
    count_vect = CountVectorizer()
    X_train_counts = count_vect.fit_transform(data)
    tfidf_transformer = TfidfTransformer()
    X_train_tfidf = tfidf_transformer.fit_transform(X_train_counts)
    # 训练朴素贝叶斯分类器
    clf = MultinomialNB().fit(X_train_tfidf, target)
    # 构建Pipeline
    text_clf = Pipeline([
        ('vect', CountVectorizer()),
        ('tfidf', TfidfTransformer()),
        ('clf', MultinomialNB())
    ])
    text_clf.fit(data, target)
    return text_clf

# 测试分类器
def test_classifier(text_clf):
    # 测试数据
    test_data = [
        preprocess_text('计算机网络的基本原理'),
        preprocess_text('伊索寓言选'),
        preprocess_text('高中数学教材'),
        preprocess_text('肺炎的症状和治疗方法'),
        preprocess_text('乒乓球比赛规则')
    ]
    # 预测分类结果
    predicted = text_clf.predict(test_data)
    # 打印预测结果
    for doc, category in zip(test_data, predicted):
        print(f"{doc} => {labels[category]}")

    # 计算准确率
    test_target = [2, 0, 1, 3, 4]  # 测试数据的真实分类标签
    accuracy = sum(predicted == test_target) / len(test_target)
    print(f"Accuracy: {accuracy}")

if __name__ == '__main__':
    text_clf = train_classifier()
    test_classifier(text_clf)

在上面的示例代码中，使用了jieba分词库进行分词处理，使用sklearn库的CountVectorizer和TfidfTransformer进行文本特征提取，使用MultinomialNB作为分类器模型。同时，我们提供了5个测试数据，并计算了分类器的准确率。在实际应用中，我们需要更大的数据集来训练模型，并使用更复杂的特征提取方法和分类器模型来提高准确率。