请根据以下代码，补充能够直接添加在后方的python代码，要求实现训练模型的功能，并且给出接口，用户可以使用已经分类好的文档作为训练数据，或者手动标注一些文档作为训练数据。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

class TextClassifier:
    def __init__(self):
        self.model = None

    def train(self, data_path, label_path):
        """
        使用给定的数据和标签训练文本分类器
        :param data_path: str, 训练数据的路径，每一行为一个文档
        :param label_path: str, 训练数据对应的标签路径，每一行为一个标签
        """
        data = pd.read_csv(data_path, header=None, delimiter='\n')
        label = pd.read_csv(label_path, header=None, delimiter='\n')
        text_clf = Pipeline([('tfidf', TfidfVectorizer()), ('clf', MultinomialNB())])
        self.model = text_clf.fit(data[0], label[0])

    def predict(self, text):
        """
        对给定文本进行分类
        :param text: str, 待分类文本
        :return: str, 分类结果
        """
        return self.model.predict([text])[0]

补充代码：

    def train_manual(self, data, label):
        """
        使用用户手动标注的数据训练文本分类器
        :param data: list, 训练数据，每个元素为一个文档
        :param label: list, 训练数据对应的标签，每个元素为一个标签
        """
        data_df = pd.DataFrame(data, columns=['text'])
        label_df = pd.DataFrame(label, columns=['label'])
        training_data = pd.concat([data_df, label_df], axis=1)
        text_clf = Pipeline([('tfidf', TfidfVectorizer()), ('clf', MultinomialNB())])
        self.model = text_clf.fit(training_data['text'], training_data['label'])

其中，`train_manual`方法可以使用用户手动标注的数据进行训练。`data`为包含训练文档的列表，`label`为对应的标签列表。用户可以根据实际情况自行准备该数据。