python朴素贝叶斯代码

以下是一个简单的Python实现朴素贝叶斯分类器的代码示例：

import pandas as pd
import numpy as np

class NaiveBayes:
    def __init__(self):
        self.prior = {}
        self.conditional_prob = {}
        self.classes = []
        self.features = []
        
    def fit(self, X_train, y_train):
        # 计算每个类别的先验概率
        n_samples = len(y_train)
        self.classes, class_counts = np.unique(y_train, return_counts=True)
        self.prior = dict(zip(self.classes, class_counts / n_samples))
        
        # 计算每个特征在每个类别下的条件概率
        self.features = list(X_train.columns)
        for cls in self.classes:
            cls_data = X_train[y_train == cls]
            self.conditional_prob[cls] = {}
            for feature in self.features:
                feature_values, feature_counts = np.unique(cls_data[feature], return_counts=True)
                self.conditional_prob[cls][feature] = dict(zip(feature_values, feature_counts / class_counts[cls]))
        
    def predict(self, X_test):
        # 对于每个测试样本，计算其属于每个类别的概率
        preds = []
        for _, row in X_test.iterrows():
            probs = {}
            for cls in self.classes:
                # 计算后验概率
                prob_cls = self.prior[cls]
                for feature in self.features:
                    value = row[feature]
                    prob_cls *= self.conditional_prob[cls][feature].get(value, 0)
                probs[cls] = prob_cls
            # 选取概率最大的类别作为预测结果
            preds.append(max(probs, key=probs.get))
        return preds

该代码实现了一个朴素贝叶斯分类器，包括`fit`方法用于训练模型（计算先验概率和条件概率），以及`predict`方法用于对新数据进行分类。在构造函数中，我们初始化了一些实例变量，包括先验概率、条件概率、类别和特征。`fit`方法首先计算了每个类别的先验概率，然后计算了每个特征在每个类别下的条件概率。`predict`方法则对于每个测试样本，计算了其属于每个类别的概率，并选取概率最大的类别作为预测结果。整个过程中，我们使用了Pandas和NumPy库来处理数据和计算概率。