用python实现朴素贝叶斯分类器，要求该分类器能自动处理离散特征和连续特征，并使用交叉验证评估模型

在Python中，我们可以使用scikit-learn库来实现朴素贝叶斯分类器，它能够很好地处理离散特征（如类别型数据）和连续特征（如数值型数据）。以下是使用sklearn实现朴素贝叶斯分类的一个基本步骤：

1. 导入必要的库：

from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.naive_bayes import GaussianNB # 对于连续特征通常用高斯朴素贝叶斯（GaussianNB）
from sklearn.feature_extraction.text import CountVectorizer # 对于文本数据，可以使用CountVectorizer处理离散特征
import pandas as pd

2. 加载数据并预处理（假设有一个DataFrame `df`）：

X = df.drop('target', axis=1) # 特征
y = df['target'] # 目标变量

# 对于数值型特征，无需额外处理
# 对于类别型离散特征（例如字符串），需要转换成数字编码，如使用LabelEncoder或OneHotEncoder
if isinstance(X.iloc[0][0], str):  # 判断是否为字符串类型
    vectorizer = CountVectorizer()  # 使用CountVectorizer
    X = vectorizer.fit_transform(X)
else:
    X = X.values  # 如果是数值型

3. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 创建并训练朴素贝叶斯分类器：

gnb = GaussianNB()
gnb.fit(X_train, y_train)

5. 进行交叉验证评估模型性能：

scores = cross_val_score(gnb, X, y, cv=5, scoring='accuracy')  # 'accuracy' 是评估指标，cv=5表示5折交叉验证
mean_score = scores.mean()
std_dev = scores.std()

print(f"交叉验证平均准确率: {mean_score:.2f} (+/- {std_dev:.2f})")