python文本分类预测实验：训练集包含30000条商品评论，存放于文件'review_train.csv'中。训练数据集使用pandas读入后(pd.read_csv('review_train.csv', header=None, names=['评分', '标题', '评论']))。另有10000条未知评分的测试数据，保存在'review_test.csv'文件中。每一行仅给定评论的标题和评论内容（pd.read_csv('review_test.csv', header=None, names=['标题', '评论'])），而每条商品的评分未知，待建模识别。将预测结果保存在名为“pred.txt”的文本文件中，内容为10000行， 每一行只有一个1-5分之间的分值。预测数据顺序须与测试集“review_test.csv”中的样本顺序保持一致。写出代码

下面是一个简单的基于sklearn的文本分类的代码示例:

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读入训练集和测试集
train_data = pd.read_csv('review_train.csv', header=None, names=['评分', '标题', '评论'])
test_data = pd.read_csv('review_test.csv', header=None, names=['标题', '评论'])

# 对训练集和测试集进行分词和向量化
vectorizer = CountVectorizer()
train_X = vectorizer.fit_transform(train_data['标题'] + train_data['评论'])
test_X = vectorizer.transform(test_data['标题'] + test_data['评论'])

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(train_X, train_data['评分'])

# 对测试集进行预测
pred_y = clf.predict(test_X)

# 将预测结果保存到文件中
with open('pred.txt', 'w') as f:
    for y in pred_y:
        f.write(str(y) + '\n')

需要注意的是，这里的代码只是一个简单的示例，实际应用中还需要对分词和向量化进行更加细致的处理。同时，可以尝试使用其他的文本分类算法，如SVM、深度学习等，以提高分类的准确率。