import numpy as np

from sklearn.utils import check_arrays from sklearn.cross_validation import train_test_split from sklearn import datasets import os

os.system("clear")

########################## class myBayes:     def __init__(self):         self.Px={}         self.Py={}         self.nx=0         self.lx=0         self.result=None

    def fit(self, X, y):

        Py={}         Px={}         k=len(np.unique(y))         for i in list(set(y)):             Py[i]=(y.tolist().count(i)+1)*1.0/(len(y)+k)         n_row, n_col=X.shape         for i in range(n_col):             Px.setdefault(i, {})             xylist=zip(X[:,i],y)             s=len(np.unique(X[:,i]))             for xy in list(set(xylist)):                 Px[i][xy]=(xylist.count(xy)+1)*1.0/(Py[xy[1]]*(len(y)+k)+s-1)         self.Py=Py         self.Px=Px         self.nx=n_col         #print 'y',self.Py         #print 'x',self.Px

    def predict(self, test_X):

        tX=np.array(test_X)         ts=tX.shape         if len(ts)==0 :             return None         elif len(ts)==1 :             if len(tX)!=self.nx:                 return None             else:                 result={}                 for i in self.Py.keys():                     py=self.Py[i]                     for j in range(ts[0]):                         py=py*self.Px[j].get((tX[j],i),1-sum([Px[j][t] for t in Px[j].keys() if t[1]==i]))                     result[py]=i                 self.result=np.array(result[max(result.keys())])                 return self.result

        elif len(ts)==2:

            if ts[1]!=self.nx:                 return None             else:                 result_list=[]                 for x in tX:                     #print x                     result={}                     for i in self.Py.keys():                         py=self.Py[i]                         for j in range(ts[1]):                             py=py*self.Px[j].get((x[j],i),0)                         result[py]=i                     #print result                     result_list.append(result[max(result.keys())])                 self.result=np.array(result_list)                 return self.result

#x1=[1,1,1,1,1,2,2,2,2,2,3,3,3,3,3]

#x2=['s','m','m','s','s','s','m','m','l','l','l','m','m','l','l'] #y=[0,0,1,1,0,0,0,1,1,1,1,1,1,1,0] #x2dict={'s':1,'m':2,'l':3} #X=np.array(zip(x1,[x2dict[x] for x in x2])) #y=np.array(y) #print X,y iris=datasets.load_iris() X=iris.data y=iris.target

trainX,testX,trainy,testy=train_test_split(X,y,test_size=0.2)

clf=myBayes()

clf.fit(trainX,trainy)

predicted=clf.predict(testX)

print testy print predicted

print np.mean(testy==predicted)

###########################################

输出结果：

yuanzhen@yuanzhen-ThinkPad-X121e:~/P_script$ python mybayes.py 

[2 0 2 0 2 0 2 1 2 0 0 0 1 2 2 1 2 0 2 1 2 2 2 1 1 2 1 1 0 2]

[2 0 2 0 2 0 2 1 2 0 0 2 2 2 2 1 2 0 2 1 2 1 2 2 1 2 1 1 0 2] 0.866666666667

[0 1 1 0 1 2 1 1 0 0 0 1 1 0 2 1 2 0 1 2 0 2 0 2 2 2 2 2 0 0]

[0 1 2 0 1 2 1 1 0 0 0 1 2 0 1 1 1 0 1 2 2 2 0 2 2 2 2 1 2 0] 0.766666666667

结果显示预测并不稳定