编写一个Python程序实现垃圾邮件分类，先训练出1个性能良好的模型能区分正常邮件和垃圾邮件，然后读取自己准备的电子邮件文本，测试模型分类准确性

在Python中实现垃圾邮件分类，通常我们会使用机器学习算法，比如朴素贝叶斯、支持向量机（SVM）或深度学习的神经网络等。这里以朴素贝叶斯分类为例，因为它简单易懂且适合文本分类任务。

首先，我们需要预处理数据，包括加载邮件文本数据，提取特征（如词频），以及将邮件标记为垃圾邮件或非垃圾邮件。

1. **数据预处理**：
- 加载数据集，例如使用`pandas`库的`read_csv`函数从CSV文件读取，假设数据包含两列：'Email'（邮件正文）和'Spam'（标签，0表示非垃圾，1表示垃圾）。

   import pandas as pd
   data = pd.read_csv('spam_dataset.csv')
   X = data['Email']
   y = data['Spam']

2. **特征提取**：
使用`CountVectorizer`或`TfidfVectorizer`从文本转换为数值特征矩阵。

   from sklearn.feature_extraction.text import CountVectorizer
   vectorizer = CountVectorizer()
   X_transformed = vectorizer.fit_transform(X)

3. **划分训练集和测试集**：

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(X_transformed, y, test_size=0.2, random_state=42)

4. **模型训练**：
使用朴素贝叶斯分类器训练模型。

   from sklearn.naive_bayes import MultinomialNB
   model = MultinomialNB()
   model.fit(X_train, y_train)

5. **模型评估**：
预测测试集，并计算准确率。

   predictions = model.predict(X_test)
   accuracy = (predictions == y_test).mean() * 100
   print(f"模型测试准确性：{accuracy:.2f}%")

如果你已经有了一组邮件文本想要测试，你可以按照上述过程进行预处理和预测，但是要注意，需要首先对新的邮件进行同样的特征提取步骤，然后再进行预测。