#coding:utf-8
from numpy import *
#加载文档词向量数据以及相应文档类别，0表示正常言论，1表示侮辱性文字
def loadDataSet():
postingList = [['my','dog','has','flea','problems','help','please'],
['maybe','not','take','him','to','dog','park','stupid'],
['my','dalmation','is','so','cute','I','love','him'],
['stop','posting','stupid','worthless','garbage'],
['mr','licks','ate','my','steak','how','to','stop','him'],
['quit','buying','worthless','dog','food','stupid']
]
classVec = [0,1,0,1,0,1]
return postingList,classVec
def createVocabList(dataSet):
'''
功能：将已知类别文档中出现的词汇 存入到 所有词汇集合，相当于字典 返回其list类型
输入数据类型：列表类型（列表中存储的是列表元素，每篇文档的词汇集合）
输出数据类型：列表类型（字典）
'''
vocabSet = set([])
for document in dataSet:
vocabSet = vocabSet | set(document)
return list(vocabSet)
def setOfWords2Vec(vocabList,inputSet):
'''
功能：将输入的文档转成词向量形式，即在字典中所有词汇出现的词频数，出现为1，未出现为0.
输入数据类型：列表类型（字典，存储所有词汇）
字符串（将要预测的留言）
输出数据类型：列表类型（词向量）
'''
returnVec =[0]*len(vocabList)
for word in inputSet:
#在此函数中有个小疑问：当词向量在字典中出现，则将该文档的词向量对应词索引处置为1，这里假设每条留言中出现的词汇不重复。但如果该词出现多次呢？不是该相加么。。
if word in vocabList:
returnVec[vocabList.index(word)] = 1
else:
print "the word : %s is not in my Vocabulary!" % word
return returnVec
def trainNB0(trainMatrix, trainCategory):
'''
功能：计算属于1类对应下的所有词汇出现的词频数（词向量形式），用p1Num存放。0类一样。
计算属于1类的所有词汇总数，用p1Denom存放。0类一样。
返回字典词汇的条件概率p0Vect,p1Vect以及文档属于1类的概率pAbusive。p0Vect= [p(w1|c1),p(w2|c1)...p(wn|c1)]
输入的数据类型：array列表类型（样本词向量）
array列表类型（样本对应的类别）
输出的数据类型：列表类型（字典词汇的条件概率0）
列表类型（字典词汇的条件概率1）
浮点数（文档属于1类的概率）
'''
numTrainDocs = len(trainMatrix)
numWords = len(trainMatrix[0])
pAbusive = sum(trainCategory)/float(numTrainDocs)
p0Num = ones(numWords)
p1Num = ones(numWords)
p0Denom = 2.0
p1Denom = 2.0
for i in range(numTrainDocs):
if trainCategory[i] == 1:
p1Num += trainMatrix[i]
p1Denom += sum(trainMatrix[i])
else:
p0Num += trainMatrix[i]
p0Denom += sum(trainMatrix[i])
p1Vect = p1Num/p1Denom
p0Vect = p0Num/p0Denom
return p0Vect,p1Vect,pAbusive
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):
'''
功能：计算贝叶斯概率公式，忽略分母（因为每个类别的分母相等）。计算技巧是分子变形，使相乘的n个数转换为log每个数相加
返回留言板的预测类别。
输入数据类型：列表（词向量形式）
列表（字典词汇的条件概率0）
列表（字典词汇的条件概率1）
浮点数（文档属于1类的概率）
输出数据类型：整数（预测类别）
'''
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1>p0:
return 1
else:
return 0
def tesingNB():
'''
功能：调用以上定义的功能函数，训练分类器然后测试两条数据
'''
listOPosts, listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)
trainMat = []
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList,postinDoc))
p0V,p1V,pAb = trainNB0(array(trainMat),array(listClasses))
testEntry = ['love','my','dalmation']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print testEntry,'Classified as :',classifyNB(thisDoc,p0V,p1V,pAb)
testEntry = ['stupid', 'garbage']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print testEntry,'Classified as :',classifyNB(thisDoc,p0V,p1V,pAb)
#以下这个例子可以作为感兴趣的点。贝叶斯中的0类，1类正负抵消。并不是出现侮辱性词就判定为侮辱类
testEntry = ['love','my','dalmation','stupid']
thisDoc = array(setOfWords2Vec(myVocabList, testEntry))
print testEntry,'Classified as :',classifyNB(thisDoc,p0V,p1V,pAb)
朴素贝叶斯算法之所以称为朴素是因为有个前提假设条件：对于给定样本各属性相互条件独立。也就是说给定一句话 d1=“苹果很好吃”，我们来判定这句话是食物类还是器材类，那如果用朴素贝叶斯算法，就假设了这句话里的每个词（特征）w1=“苹果”，w2=“很”，w3=”好吃”出现的概率是相互独立的，没有依赖的。但我们知道实际上这条假设并不能真正反映现实的规律，因为“苹果”后面往往有很大概率会出现“好吃”，也就是 p(苹果，好吃) = p(苹果)* p(好吃 | 苹果)，但我们现在就假设 p(苹果，好吃) = p(苹果)* p(好吃) 。
朴素贝叶斯分类的目标就是实际上已知训练数据，求出它属于哪个类的概率值最大就预测为哪个类。就拿上面的例子所说，食物类是C1，器材类是C2，P(C1|d1)>P(C2|d1) 则把d1判定为C1类，反之。利用贝叶斯公式可知 P(C1|d1) = P(d1|C1)P(C1)/P(d1)，目标是比较P(C1|d1)和P(C2|d1)大小，分母是相同的可以忽略。近似比较P(d1|C1)P(C1)和P(d1|C2)P(C2)，两个类别的先验概率P(C1)和P(C2)可以根据训练数据集求出，由于以上的假设得 P(d1|C1)=P(w1|C1)P(w2|C1)P(w3|C1)，而已知类别下的各个特征条件概率也可以根据训练数据集统计出来，比如P(w1|C1)具体计算就是在C1类别下w1出现的次数/C1类别下出现所有词的总次数。这样就可以通过每项的计算来进行近似比较了。那如果w1在某类下出现的次数为0呢？岂不是条件概率P(d1|C1)就为0了，别急，下面会介绍拉普拉斯估计。下面给出形式化的数学表述：
（据听说数学是世界上最好的语言之一）
设训练样本集分为k类,记为 C= {C1,C2 ,…, Ck}，则每个类的先验概率为P(Ci)，i=1,2,...,k, 其值为Ci类的样本数除以训练集总样本数n。对于新样本d，其属于Ci类的条件概率是P(d|Ci)。根据贝叶斯定理，Ci类的后验概率为:
P(d)对于所有类均为同一常数，可以忽略。为避免P(Ci)等于0，采用拉普拉斯概率估计:
其中|C|为训练集中类的数目，|Dci|为训练集中属于类Ci的文档数，|Dc|为训练集包含的总文档数。
对于待分类文本文档d，本文采用向量空间模型，其基本思想是将每一个文本表示为一个向量d= (w1,...,wm)，m是d的特征词个数。 贝叶斯算法假设各特征词相互独立。
朴素贝叶斯分类器将未知样本归于哪类的依据，如下:
