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):
    """
    獲取全部單詞的集合
    :param data_set: 數據集
    :return: 全部單詞的集合(即不含重複元素的單詞列表)
    """
    vocab_set = set()  # create empty set
    for item in data_set:
        # | 求兩個集合的並集,# set()返回一個不重複的單詞列表,將該列表加入到
        # 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):
    """
    遍歷查看該單詞是否出現，出現該單詞則將該單詞置1
    :param vocab_list: 全部單詞集合列表
    :param input_set: 輸入一條數據集，如：posting_list[0]
    :return: 匹配列表[0,1,0,1...]，其中 1與0 表示詞彙表中的單詞是否出如今輸入的數據集中
    """
    # 建立一個和詞彙表等長的向量，並將其元素都設置爲0
    result = [0] * len(vocab_list)
    # 遍歷文檔中的全部單詞，若是出現了詞彙表中的單詞，則將輸出的文檔向量中的對應值設爲1
    for word in input_set:
        if word in vocab_list:
            result[vocab_list.index(word)] = 1
        else:
            # 這個後面應該註釋掉，由於對你沒什麼用，這只是爲了輔助調試的
            # 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):
    """
    樸素貝葉斯分類修正版，　注意和原來的對比，爲何這麼作能夠查看書
    :param train_mat:  type is ndarray
                    總的輸入文本，大體是 [[0,1,0,1], [], []]
    :param train_category: 文件對應的類別分類， [0, 1, 0],
                            列表的長度應該等於上面那個輸入文本的長度
    :return: 兩個條件機率向量，一個機率
    """
    train_doc_num = len(train_mat)
    words_num = len(train_mat[0])
    # 由於侮辱性的被標記爲了1， 因此只要把他們相加就能夠獲得侮辱性的有多少
    # 侮辱性文件的出現機率，即train_category中全部的1的個數，
    # 表明的就是多少個侮辱性文件，與文件的總數相除就獲得了侮辱性文件的出現機率
    pos_abusive = np.sum(train_category) / train_doc_num
    # 單詞出現的次數
    # 原版，變成ones是修改版，這是爲了防止數字太小溢出
    # p0num = np.zeros(words_num)
    # p1num = np.zeros(words_num)
    p0num = np.ones(words_num)
    p1num = np.ones(words_num)
    # 整個數據集單詞出現的次數（原來是0，後面改爲2了）
    p0num_all = 2.0
    p1num_all = 2.0

    for i in range(train_doc_num):
        # 遍歷全部的文件，若是是侮辱性文件，就計算此侮辱性文件中出現的侮辱性單詞的個數
        if train_category[i] == 1:
            p1num += train_mat[i]    # 直接把兩個list相加，對應位置元素相加，
            # 最後直接一除就能夠獲得對應的機率list
            p1num_all += np.sum(train_mat[i])  # 標籤爲1的總詞數
        else:
            p0num += train_mat[i]
            p0num_all += np.sum(train_mat[i])  # 標籤爲0的總詞數
    # 後面改爲取 log 函數
    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：
        # 將乘法轉換爲加法
        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: 待測數據[0,1,1,1,1...]，即要分類的向量
    :param p0vec: 類別0，即正常文檔的[log(P(F1|C0)),log(P(F2|C0)),log(P(F3|C0)),log(P(F4|C0)),log(P(F5|C0))....]列表
    :param p1vec: 類別1，即侮辱性文檔的[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: 類別1，侮辱性文件的出現機率
    :return: 類別1 or 0
    """
    # 計算公式  log(P(F1|C))+log(P(F2|C))+....+log(P(Fn|C))+log(P(C))
    # 使用 NumPy 數組來計算兩個向量相乘的結果，這裏的相乘是指對應元素相乘，即先將兩個向量中的第一個元素相乘，而後將第2個元素相乘，以此類推。
    # 個人理解是：這裏的 vec2Classify * p1Vec 的意思就是將每一個詞與其對應的機率相關聯起來
    # 能夠理解爲 1.單詞在詞彙表中的條件下，文件是good 類別的機率 也能夠理解爲 2.在整個空間下，文件既在詞彙表中又是good類別的機率
    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):
    """
    測試樸素貝葉斯算法
    :return: no return 
    """
    # 1. 建立單詞集合
    vocab_list = create_vocab_list(list_post)

    # 2. 計算單詞是否出現並建立數據矩陣
    train_mat = []
    for post_in in list_post:
        train_mat.append(
            # 返回m*len(vocab_list)的矩陣， 記錄的都是0，1信息
            # 其實就是那個東西的句子向量（就是data_set裏面每一行,也不算句子吧)
            set_of_words2vec(vocab_list, post_in)
        )
    # 3. 訓練數據
    p0v, p1v, p_abusive = train_naive_bayes(np.array(train_mat), np.array(list_classes))
    # 4. 測試數據
    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

04機器學習實戰之樸素貝葉斯

樸素貝葉斯概述

貝葉斯理論 & 條件機率

貝葉斯理論

使用條件機率來分類

樸素貝葉斯場景

樸素貝葉斯原理

樸素貝葉斯工做原理

樸素貝葉斯開發流程

樸素貝葉斯算法特色

相關閱讀：http://www.javashuo.com/article/p-rorgdabv-du.html

樸素貝葉斯項目案例

項目案例1: 屏蔽社區留言板的侮辱性言論

項目概述

開發流程

04機器學習實戰之樸素貝葉斯

樸素貝葉斯 概述

貝葉斯理論 & 條件機率

貝葉斯理論

使用條件機率來分類

樸素貝葉斯 場景

樸素貝葉斯 原理

樸素貝葉斯 工做原理

樸素貝葉斯 開發流程

樸素貝葉斯 算法特色

相關閱讀：http://www.javashuo.com/article/p-rorgdabv-du.html

樸素貝葉斯 項目案例

項目案例1: 屏蔽社區留言板的侮辱性言論

項目概述

開發流程

樸素貝葉斯概述

樸素貝葉斯場景

樸素貝葉斯原理

樸素貝葉斯工做原理

樸素貝葉斯開發流程

樸素貝葉斯算法特色

樸素貝葉斯項目案例