python 读取csv文件 在每个类别中选取等比例训练样本和测试样本 贝叶斯分类

首先，你需要使用Python中的pandas库来读取csv文件。然后，你可以使用sklearn库中的train_test_split函数来分割数据集为训练集和测试集。在每个类别中选取等比例的样本可以使用pandas库和numpy库来完成。

下面是一个示例代码：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB

# 读取csv文件
data = pd.read_csv('data.csv')

# 筛选出类别
categories = data['category'].unique()

# 初始化训练集和测试集
train_data = pd.DataFrame()
test_data = pd.DataFrame()

# 对于每个类别，随机选取等比例的样本作为训练集和测试集
for category in categories:
    category_data = data[data['category'] == category]
    train, test = train_test_split(category_data, test_size=0.2)
    train_data = pd.concat([train_data, train])
    test_data = pd.concat([test_data, test])

# 分离特征和标签
train_features = train_data.drop(['category'], axis=1)
train_labels = train_data['category']
test_features = test_data.drop(['category'], axis=1)
test_labels = test_data['category']

# 训练贝叶斯分类器
clf = GaussianNB()
clf.fit(train_features, train_labels)

# 预测测试集
predicted = clf.predict(test_features)

# 计算准确率
accuracy = np.mean(predicted == test_labels)
print("Accuracy:", accuracy)

这个示例代码中，我们首先读取csv文件，并筛选出不同的类别。然后，我们使用train_test_split函数随机选取等比例的训练样本和测试样本。接着，我们分离出特征和标签，并使用GaussianNB训练贝叶斯分类器。最后，我们预测测试集并计算准确率。