posting_list = [
    ['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']]
class_vec = [0, 1, 0, 1, 0, 1]  # 1 is 侮辱性的文字, 0 is not

def create_vocab_list(data_set):
    """
    获取所有单词的集合
    :param data_set: 数据集
    :return: 所有单词的集合(即不含重复元素的单词列表)
    """
    vocab_set = set()  # create empty set
    for item in data_set:
        # | 求两个集合的并集,# set()返回一个不重复的单词列表,将该列表加入到
        # vocab集合中
        vocab_set = vocab_set | set(item)  
    return list(vocab_set)

vocab_list = create_vocab_list(posting_list)
vocab_list

['him',
 'dog',
 'take',
 'cute',
 'ate',
 'love',
 'quit',
 'not',
 'worthless',
 'so',
 'garbage',
 'flea',
 'stop',
 'maybe',
 'licks',
 'how',
 'food',
 'dalmation',
 'has',
 'I',
 'park',
 'posting',
 'help',
 'please',
 'to',
 'problems',
 'stupid',
 'steak',
 'buying',
 'mr',
 'my',
 'is']

def set_of_words2vec(vocab_list, input_set):
    """
    遍历查看该单词是否出现，出现该单词则将该单词置1
    :param vocab_list: 所有单词集合列表
    :param input_set: 输入一条数据集，如：posting_list[0]
    :return: 匹配列表[0,1,0,1...]，其中 1与0 表示词汇表中的单词是否出现在输入的数据集中
    """
    # 创建一个和词汇表等长的向量，并将其元素都设置为0
    result = [0] * len(vocab_list)
    # 遍历文档中的所有单词，如果出现了词汇表中的单词，则将输出的文档向量中的对应值设为1
    for word in input_set:
        if word in vocab_list:
            result[vocab_list.index(word)] = 1
        else:
            # 这个后面应该注释掉，因为对你没什么用，这只是为了辅助调试的
            # print('the word: {} is not in my vocabulary'.format(word))
            pass
    return result

set_of_words2vec(vocab_list, posting_list[0])

[0,
 1,
 0,
 0,
 0,
 0,
 0,
 0,
 0,
 0,
 0,
 1,
 0,
 0,
 0,
 0,
 0,
 0,
 1,
 0,
 0,
 0,
 1,
 1,
 0,
 1,
 0,
 0,
 0,
 0,
 1,
 0]

import numpy as np


def train_naive_bayes(train_mat, train_category):
    """
    朴素贝叶斯分类修正版，　注意和原来的对比，为什么这么做可以查看书
    :param train_mat:  type is ndarray
                    总的输入文本，大致是 [[0,1,0,1], [], []]
    :param train_category: 文件对应的类别分类， [0, 1, 0],
                            列表的长度应该等于上面那个输入文本的长度
    :return: 两个条件概率向量，一个概率
    """
    train_doc_num = len(train_mat)
    words_num = len(train_mat[0])
    # 因为侮辱性的被标记为了1， 所以只要把他们相加就可以得到侮辱性的有多少
    # 侮辱性文件的出现概率，即train_category中所有的1的个数，
    # 代表的就是多少个侮辱性文件，与文件的总数相除就得到了侮辱性文件的出现概率
    pos_abusive = np.sum(train_category) / train_doc_num
    # 单词出现的次数
    # 原版，变成ones是修改版，这是为了防止数字过小溢出
    # p0num = np.zeros(words_num)
    # p1num = np.zeros(words_num)
    p0num = np.ones(words_num)
    p1num = np.ones(words_num)
    # 整个数据集单词出现的次数（原来是0，后面改成2了）
    p0num_all = 2.0
    p1num_all = 2.0

    for i in range(train_doc_num):
        # 遍历所有的文件，如果是侮辱性文件，就计算此侮辱性文件中出现的侮辱性单词的个数
        if train_category[i] == 1:
            p1num += train_mat[i]    # 直接把两个list相加，对应位置元素相加，
            # 最后直接一除就可以得到对应的概率list
            p1num_all += np.sum(train_mat[i])  # 标签为1的总词数
        else:
            p0num += train_mat[i]
            p0num_all += np.sum(train_mat[i])  # 标签为0的总词数
    # 后面改成取 log 函数
    p1vec = np.log(p1num / p1num_all)
    p0vec = np.log(p0num / p0num_all)
    return p0vec, p1vec, pos_abusive

def classify_naive_bayes(vec2classify, p0vec, p1vec, p_class1):
    """
    使用算法：
        # 将乘法转换为加法
        乘法：P(C|F1F2...Fn) = P(F1F2...Fn|C)P(C)/P(F1F2...Fn)
        加法：P(F1|C)*P(F2|C)....P(Fn|C)P(C) -> log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
    :param vec2classify: 待测数据[0,1,1,1,1...]，即要分类的向量
    :param p0vec: 类别0，即正常文档的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
    :param p1vec: 类别1，即侮辱性文档的[log(P(F1|C1)),log(P(F2|C1)),log(P(F3|C1)),log(P(F4|C1)),log(P(F5|C1))....]列表
    :param p_class1: 类别1，侮辱性文件的出现概率
    :return: 类别1 or 0
    """
    # 计算公式  log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
    # 使用 NumPy 数组来计算两个向量相乘的结果，这里的相乘是指对应元素相乘，即先将两个向量中的第一个元素相乘，然后将第2个元素相乘，以此类推。
    # 我的理解是：这里的 vec2Classify * p1Vec 的意思就是将每个词与其对应的概率相关联起来
    # 可以理解为 1.单词在词汇表中的条件下，文件是good 类别的概率 也可以理解为 2.在整个空间下，文件既在词汇表中又是good类别的概率
    p1 = np.sum(vec2classify * p1vec) + np.log(p_class1)
    p0 = np.sum(vec2classify * p0vec) + np.log(1 - p_class1)
    if p1 > p0:
        return 1
    else:
        return 0

def testing_naive_bayes(list_post, list_classes):
    """
    测试朴素贝叶斯算法
    :return: no return 
    """
    # 1. 创建单词集合
    vocab_list = create_vocab_list(list_post)

    # 2. 计算单词是否出现并创建数据矩阵
    train_mat = []
    for post_in in list_post:
        train_mat.append(
            # 返回m*len(vocab_list)的矩阵， 记录的都是0，1信息
            # 其实就是那个东西的句子向量（就是data_set里面每一行,也不算句子吧)
            set_of_words2vec(vocab_list, post_in)
        )
    # 3. 训练数据
    p0v, p1v, p_abusive = train_naive_bayes(np.array(train_mat), np.array(list_classes))
    # 4. 测试数据
    test_one = ['love', 'my', 'dalmation']
    test_one_doc = np.array(set_of_words2vec(vocab_list, test_one))
    print('the result is: {}'.format(classify_naive_bayes(test_one_doc, p0v, p1v, p_abusive)))
    test_two = ['stupid', 'garbage']
    test_two_doc = np.array(set_of_words2vec(vocab_list, test_two))
    print('the result is: {}'.format(classify_naive_bayes(test_two_doc, p0v, p1v, p_abusive)))

testing_naive_bayes(posting_list, class_vec)

the result is: 0
the result is: 1

心默默言

公告

04机器学习实战之朴素贝叶斯

朴素贝叶斯概述

贝叶斯理论 & 条件概率

贝叶斯理论

使用条件概率来分类

朴素贝叶斯场景

朴素贝叶斯原理

朴素贝叶斯工作原理

朴素贝叶斯开发流程

朴素贝叶斯算法特点

相关阅读：https://blog.csdn.net/u012162613/article/details/48323777

朴素贝叶斯项目案例

项目案例1: 屏蔽社区留言板的侮辱性言论

项目概述

开发流程

心默默言

公告

04机器学习实战之朴素贝叶斯

朴素贝叶斯 概述

贝叶斯理论 & 条件概率

贝叶斯理论

使用条件概率来分类

朴素贝叶斯 场景

朴素贝叶斯 原理

朴素贝叶斯 工作原理

朴素贝叶斯 开发流程

朴素贝叶斯 算法特点

相关阅读：https://blog.csdn.net/u012162613/article/details/48323777

朴素贝叶斯 项目案例

项目案例1: 屏蔽社区留言板的侮辱性言论

项目概述

开发流程

朴素贝叶斯概述

朴素贝叶斯场景

朴素贝叶斯原理

朴素贝叶斯工作原理

朴素贝叶斯开发流程

朴素贝叶斯算法特点

朴素贝叶斯项目案例