title是新闻标题，keywords是该篇新闻的关键词，label是该篇新闻的类别，对data_test.csv中的新闻数据进行分类，读取所有的测试数据并分类，将结果按顺序写入文件：lab4_result.txt （编码方式为”utf-8”），分类输出的要求为“学号姓名分类结果”。因为有26000条数据，所以txt的结果应该有26000行。最后将得到的文件与ddd.csv比较（ddd.csv文件为正确的标签），计算出准确率。写出完整代码。

import pandas as pd
import jieba
import re
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取数据
df_train = pd.read_csv('data_train.csv', encoding='utf-8')
df_test = pd.read_csv('data_test.csv', encoding='utf-8')

# 数据清洗
def clean_text(text):
    text = re.sub(r'[^\w\s]','',text) # 去除标点符号
    text = re.sub(r'\d+','',text) # 去除数字
    text = text.lower() # 转换为小写
    text = ' '.join(jieba.cut(text)) # 分词
    return text

df_train['text'] = df_train['title'] + df_train['content'] # 将标题和内容合并为一列
df_test['text'] = df_test['title'] + df_test['content']
df_train['text'] = df_train['text'].apply(clean_text) # 数据清洗
df_test['text'] = df_test['text'].apply(clean_text)

# 特征工程
tfidf = TfidfVectorizer()
X_train = tfidf.fit_transform(df_train['text']) # 训练集特征矩阵
X_test = tfidf.transform(df_test['text']) # 测试集特征矩阵

# 训练模型
clf = MultinomialNB()
y_train = df_train['label']
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 输出结果到文件
with open('lab4_result.txt', 'w', encoding='utf-8') as f:
    for i, label in enumerate(y_pred):
        f.write(f'学号姓名{label}\n')

# 计算准确率
df_answer = pd.read_csv('ddd.csv', encoding='utf-8')
y_true = df_answer['label']
accuracy = np.mean(y_pred == y_true)
print(f'Accuracy: {accuracy}')

注意：由于数据量较大，运行时间可能较长。建议先在部分数据上测试代码是否正确。