朴素贝叶斯文本分类的python代码

以下是一个基本的朴素贝叶斯文本分类器的Python代码示例：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取训练数据
train_data = pd.read_csv('train_data.csv')

# 提取文本特征
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform(train_data.text)
y_train = train_data.label

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(X_train, y_train)

# 读取测试数据
test_data = pd.read_csv('test_data.csv')

# 对测试数据进行预测
X_test = vectorizer.transform(test_data.text)
y_test = test_data.label
y_pred = clf.predict(X_test)

# 输出分类器的准确率
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

在这个示例中，我们使用了Pandas库来读取和处理文本数据。我们使用了CountVectorizer来提取文本特征，这会将文本转换为一组数字特征，以便我们可以将其输入分类器中。我们使用了sklearn库中的MultinomialNB类来训练朴素贝叶斯分类器，并使用它来预测测试数据。最后，我们输出了分类器的准确率。