python朴素贝叶斯分类代码

以下是一个基于Python的朴素贝叶斯分类代码示例：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split

# 加载数据集
data = pd.read_csv('data.csv')

# 将文本数据转换为数字特征向量
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(data['text'])

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, data['label'], test_size=0.2, random_state=42)

# 训练朴素贝叶斯分类器
nb = MultinomialNB()
nb.fit(X_train, y_train)

# 预测测试集结果
predictions = nb.predict(X_test)

# 计算分类器的准确率
accuracy = (predictions == y_test).mean()
print(f"Accuracy: {accuracy}")

在这个示例中，我们首先加载数据集，将文本数据转换为数字特征向量，然后将数据集分割为训练集和测试集。接着，我们训练一个朴素贝叶斯分类器，并用测试集进行预测，最后计算分类器的准确率。