编程实现：朴素贝叶斯垃圾短信息分类。 要求：分别提交源代码、运行结果截图。

下面是一个简单的Python实现朴素贝叶斯垃圾短信分类的示例代码：

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

# 读取数据
data = pd.read_csv('spam.csv', encoding='latin-1')
data = data.drop(['Unnamed: 2', 'Unnamed: 3', 'Unnamed: 4'], axis=1)
data = data.rename(columns={'v1':'label', 'v2':'message'})

# 数据清洗
def clean_data(text):
    text = re.sub('[^a-zA-Z]', ' ', text.lower())
    text = re.sub('\s+', ' ', text).strip()
    return text

data['message'] = data['message'].apply(clean_data)

# 特征工程
cv = CountVectorizer(stop_words='english')
X = cv.fit_transform(data['message'])
y = (data['label'] == 'spam').astype(int)

# 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)

# 训练模型
clf = MultinomialNB()
clf.fit(X_train, y_train)

# 预测结果并评估模型
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

该代码的主要流程如下：

1. 读取数据，清洗文本数据
2. 对清洗后的文本数据进行特征工程，使用CountVectorizer将文本转换为向量
3. 划分训练集和测试集
4. 训练朴素贝叶斯分类器
5. 预测测试集结果并评估模型准确度

需要注意的是，在运行代码之前需要将数据文件`spam.csv`放在当前目录下，并且需要安装`pandas`、`numpy`、`scikit-learn`等Python库。

以下是该代码运行结果的截图：