读入数据集banana，计算其先验概率以及类条件概率密度。

首先，需要导入banana数据集并计算其先验概率和类条件概率密度。这里假设数据集已经被导入并分为两类，即类别0和类别1。

计算先验概率：
先验概率是指在不考虑任何特征的情况下，某个样本属于某个类别的概率。对于二分类问题，假设有m个样本，其中有m0个属于类别0，m1个属于类别1，则类别0和类别1的先验概率可以分别计算为：

P(Y=0) = m0 / m
P(Y=1) = m1 / m

其中，Y表示类别，m表示总共有多少个样本。

计算类条件概率密度：
类条件概率密度是指在已知某个样本属于某个类别的情况下，该样本的特征向量的概率密度函数。对于连续型特征，可以使用高斯分布来估计概率密度函数，对于离散型特征，可以使用多项分布来估计概率密度函数。

假设有n个特征，对于类别0和类别1分别计算每个特征的均值和方差，然后使用高斯分布计算每个特征的概率密度函数，最后将每个特征的概率密度函数相乘即可得到整个特征向量的概率密度函数。

具体地，对于类别0，第i个特征的均值为mi0，方差为vi0，则第i个特征的高斯分布概率密度函数为：

p(Xi|Y=0) = 1 / sqrt(2 * pi * vi0) * exp(-(Xi - mi0)^2 / (2 * vi0))

对于类别1，第i个特征的均值为mi1，方差为vi1，则第i个特征的高斯分布概率密度函数为：

p(Xi|Y=1) = 1 / sqrt(2 * pi * vi1) * exp(-(Xi - mi1)^2 / (2 * vi1))

最后，将每个特征的概率密度函数相乘即可得到整个特征向量的概率密度函数：

p(X|Y=0) = p(X1|Y=0) * p(X2|Y=0) * ... * p(Xn|Y=0)
p(X|Y=1) = p(X1|Y=1) * p(X2|Y=1) * ... * p(Xn|Y=1)

其中，X表示特征向量。