朴素贝叶斯垃圾短信分类代码

以下是一个简单的朴素贝叶斯垃圾短信分类代码：

import pandas as pd
import numpy as np
import re
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 读取数据
data = pd.read_csv('spam.csv', encoding='latin-1')

# 保留有用的列
data = data[['v1', 'v2']]
data = data.rename(columns={'v1': 'label', 'v2': 'text'})

# 将标签转换为二进制
data['label'] = np.where(data['label'] == 'spam', 1, 0)

# 数据清理
def clean_text(text):
    text = re.sub('[^a-zA-Z]', ' ', text)
    text = text.lower()
    text = text.split()
    text = ' '.join(text)
    return text

data['text'] = data['text'].apply(clean_text)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data['text'], data['label'], test_size=0.2, random_state=42)

# 特征提取
vectorizer = CountVectorizer()
X_train = vectorizer.fit_transform(X_train)
X_test = vectorizer.transform(X_test)

# 建立模型
model = MultinomialNB()
model.fit(X_train, y_train)

# 预测并计算准确率
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy * 100))

其中，`spam.csv` 文件是一个包含垃圾短信和非垃圾短信的数据集。代码首先读取数据，并将标签转换为二进制。然后进行数据清理，去除标点符号、转换为小写字母等。接着使用 `train_test_split` 函数将数据集划分为训练集和测试集。使用 `CountVectorizer` 对文本进行特征提取，并使用 `MultinomialNB` 来建立模型。最后，使用预测结果计算准确率。