朴素贝叶斯邮件分类器（包括源代码和数据）

朴素贝叶斯算法实现的邮件分类器，其中包括代码和数据。文章链接为：https://blog.csdn.net/J__Max/article/details/82965180

#!/usr/bin/python
# -*- coding utf-8 -*-
# Project: NB
# Author: jiangnan 
# Mail: jiangnanmax@gmail.com
# Date: 2018/9/26

import numpy as np

def loadFile（filename）:
    “““
    函数说明：
        加载数据文件
    :param filename:
        文件名
    :return:
        contentList - 切分邮件内容得到的词条
        classVec - 类别标签向量
    “““
    file = open（filename）

    contentList = []
    classVec = []

    contents = file.readlines（）
    for line in contents:
        content = line.strip（‘\n‘）.split（‘ ‘）   #以空格为分割符，切分邮件的内容，得到该邮件对应的词条
        classVec.append（int（content[0]））    #取出邮件的类别标签
        del（content[0]）     #删掉词条中的类别标签
        contentList.append（content）

    return contentList classVecx


def createVocabList（dataSet）:
    “““
    函数说明：
        根据训练数据，生成一个词汇表
    :param dataSet:
        切分所有邮件得到的词条
    :return:
        list（vocabSet） - 使用训练数据生成的不重复的词汇表
    “““
    vocabList = set（[]）  #创建一个空集合
    for content in dataSet:
        vocabList = vocabList | set（content）   #通过取并集的方式去重，扩充词汇表

    return list（vocabList）   #以list的形式返回词汇表


def Words_to_Vec（vocabList wordsSet）:
    “““
    函数说明：
        根据vocabList词汇表，将每个wordsSet词条向量化，向量的每个值为1或0，分别表示该词有或者没有在词汇表中出现
    :param vocabList:
        词汇表
    :param inputSet:
        切分每封邮件得到的词条
    :return:
        词条向量
    “““
    returnVec = [0] * len（vocabList）

    for word in wordsSet:   #判断每个词是否在词汇表中出现
        if word in vocabList:
            returnVec[vocabList.index（word）] = 1    #在词汇表中出现的话则该词对应的位置标记为1

        else:
            print（“The word %s is not in the VocabList!“ % word）

    return returnVec


def trainNB（trainMat trainLabel）:
    “““
    函数说明：
        朴素贝叶斯分类训练函数
    :param trainMat:
        训练文档，即Words_to_Vec函数返回的词向量构成的矩阵
    :param trainLabel:
        训练数据的类别标签，即loadFile函数返回的classVec
    :return:
        p0Vec - 侮辱类的条件概率数组
        p1Vec - 非侮辱类的条件概率数组
        pNotAbusive - 文档属于侮辱类的概率
    “““
    numTraindocs = len（trainMat）    #训练集的数量
    numWords = len（trainMat[0]）     #每个词条向量的长度

    pNotAbusive = sum（trainLabel） / float（numTraindocs）    #文档属于非侮辱类的概率

    p0Num = np.ones（numWords）   #创建numpy.ones数组词条出现数初始化为1，拉普拉斯平滑方法
    p1Num = np.ones（numWords）
    p0Denom = 2.0               ##分母初始化为2拉普拉斯平滑方法
    p1Denom = 2.0

    for i in range（numTraindocs）:
        if trainLabel[i] == 1:
            p1Num += trainMat[i]    #统计属于非侮辱类的条件概率所需的数据，即P（w0|1）P（w1|1）P（w2|1）···
            p1Denom += sum（trainMat[i]）
        else:
            p0Num += trainMat[i]    #统计属于侮辱类的条件概率所需的数据，即P（w0|0）P（w1|0）P（w2|0）···
            p0Denom += sum（trainMat[i]）

    p1Vec = np.log（p1Num / p1Denom） #取对数
    p0Vec = np.log（p0Num / p0Denom）

    return p0Vec p1Vec pNotAbusive


def classifyNB（vec2Classify p0Vec p1Vec pClass0）:
    “““
    函数说明：
        朴素贝叶斯分类函数
    :param vec2Classify:
        待分类的词条向量
    :param p0Vec:
        侮辱类的条件概率数组
    :param p1Vec:
        非侮辱类的条件概率数组
    :param pClass0:
        文档属于侮辱类的概率
    :return:
        0 - 文档属于侮辱类
        1 - 文档属于分侮辱类
    “““
    p1 = sum（vec2Classify * p1Vec） + np.log（pClass

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-10-08 11:01  NB\
     文件        6148  2018-10-08 11:01  NB\.DS_Store
     目录           0  2018-10-08 11:01  __MACOSX\
     目录           0  2018-10-08 11:01  __MACOSX\NB\
     文件         172  2018-10-08 11:01  __MACOSX\NB\._.DS_Store
     文件     2375391  2015-04-16 14:04  NB\spam_test.txt
     文件         172  2015-04-16 14:04  __MACOSX\NB\._spam_test.txt
     文件    10309828  2015-04-16 14:04  NB\spam_train.txt
     文件         172  2015-04-16 14:04  __MACOSX\NB\._spam_train.txt
     文件        5970  2018-10-07 12:30  NB\NB.py
     文件         172  2018-10-08 11:01  __MACOSX\._NB