现有好评和差评两个文本文件，我需要对这两个中文文本文件作为训练集，使用sklearn实现贝叶斯分类，区分好评和差评，并给出准确率，给出示例代码

以下是示例代码：

import jieba
import os

from sklearn.naive_bayes import MultinomialNB
from sklearn.feature_extraction.text import TfidfVectorizer

# 读取文件
def read_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    return content

# 中文分词
def cut_words(content):
    words = list(jieba.cut(content))
    return ' '.join(words)

# 加载数据
def load_data():
    data = []
    labels = []
    for label in ['pos', 'neg']:
        folder_path = './data/' + label
        for file_name in os.listdir(folder_path):
            file_path = folder_path + '/' + file_name
            content = read_file(file_path)
            words = cut_words(content)
            data.append(words)
            labels.append(label)
    return data, labels

# 训练模型
def train():
    data, labels = load_data()

    # 生成tf-idf矩阵
    tfidf_vectorizer = TfidfVectorizer()
    x_train = tfidf_vectorizer.fit_transform(data)

    # 训练模型
    clf = MultinomialNB()
    clf.fit(x_train, labels)

    return tfidf_vectorizer, clf

# 测试模型
def test(tfidf_vectorizer, clf, text):
    x_test = tfidf_vectorizer.transform([cut_words(text)])
    y_predict = clf.predict(x_test)
    return y_predict[0]

# 计算准确率
def accuracy(tfidf_vectorizer, clf):
    data, labels = load_data()
    x_test = tfidf_vectorizer.transform(data)
    y_predict = clf.predict(x_test)
    correct = 0
    total = len(labels)
    for i in range(total):
        if y_predict[i] == labels[i]:
            correct += 1
    return correct / total

if __name__ == '__main__':
    tfidf_vectorizer, clf = train()
    acc = accuracy(tfidf_vectorizer, clf)
    print('Accuracy: %.2f%%' % (acc * 100))

    text = '这家餐厅真心不错'
    result = test(tfidf_vectorizer, clf, text)
    print(text, '->', result)

    text = '这部电影太烂了'
    result = test(tfidf_vectorizer, clf, text)
    print(text, '->', result)

在`load_data()`函数中，我们遍历好评和差评文件夹，读取文件内容并进行中文分词，将处理后的文本和标签存储在`data`和`labels`列表中。

在`train()`函数中，我们使用`TfidfVectorizer`将文本转换为tf-idf矩阵，并使用`MultinomialNB`训练分类器。

在`test()`函数中，我们将待测试的文本转换为tf-idf向量，并使用训练好的分类器进行预测。

在`accuracy()`函数中，我们计算测试集上的准确率。

最后，我们在主函数中训练模型并输出准确率，然后测试两个文本的分类结果。