在spaCy中进行文本分类可以通过训练一个文本分类器来实现。下面是一个简单的示例代码：
import spacy
import random
from spacy.util import minibatch, compounding
# 加载spaCy模型
nlp = spacy.load("en_core_web_sm")
# 准备训练数据
train_data = [
("This is a good movie", {"cats": {"POSITIVE": 1.0, "NEGATIVE": 0.0}}),
("I don't like this film", {"cats": {"POSITIVE": 0.0, "NEGATIVE": 1.0}}),
# 添加更多的训练数据
]
# 设置文本分类器
textcat = nlp.create_pipe("textcat", config={"exclusive_classes": True, "architecture": "simple_cnn"})
nlp.add_pipe(textcat, last=True)
textcat.add_label("POSITIVE")
textcat.add_label("NEGATIVE")
# 训练文本分类器
random.seed(1)
spacy.util.fix_random_seed(1)
optimizer = nlp.begin_training()
for i in range(10):
random.shuffle(train_data)
losses = {}
batches = minibatch(train_data, size=compounding(4.0, 32.0, 1.001))
for batch in batches:
texts, annotations = zip(*batch)
nlp.update(texts, annotations, sgd=optimizer, drop=0.2, losses=losses)
print(losses)
# 测试文本分类器
test_text = "This film is amazing"
doc = nlp(test_text)
print(doc.cats)
在上面的示例中，我们首先加载了spaCy的小型英文模型，并准备了一些训练数据。然后创建了一个简单的文本分类器，并使用训练数据对其进行训练。最后，我们对一个测试文本进行分类并输出分类结果。
需要注意的是，spaCy中的文本分类功能是基于机器学习算法实现的，需要大量的训练数据和调优才能得到准确的分类结果。更复杂的文本分类任务可能需要更复杂的模型和更多的训练数据。
