【无标题】邮件分类

锁定"发票"词汇，给定先验概率p(垃圾)=0.5， p(正常)=0.5， p(发票|垃圾) = 5%， p(发票|正常) = 0.1%， 其中后两者是假定概率，会影响到判断，解决方法是对邮件进行分词统计寻求频率。

以上是一个简单的思路。 

刚起步的简单分类，之后完善：

text1 = '根据银行发票提供的信息，您于昨天贷款100亿元，接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text2 = '根据银行发票提供的信息，您于昨天贷款100亿元，接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text3 = '根据银行发票提供的信息，您于昨天贷款100亿元，接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text4 = '根据银行发票提供的信息，您于昨天贷款100亿元，接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text5 = '根据银行发票提供的信息，您于昨天贷款100亿元，接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text6 = '接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text7 = '接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text8 = '接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text9 = '接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

text10 = '接下来为您念一篇作文：月光随着溪水一起远逝，' \
       '流向远方另一个春意盎然的世界……天空云卷云舒，月儿把它那轻纱披上东方山峦轮廓逐渐明晰起来，曙光晞微，崭新的一天开始了……' \
       '岸边的金柳对着水梳弄着自已秀发，今天的她就是最美的新娘。小孩追着跑着趟过溪水，欢笑声把花儿也陶醉了。' \
       '溪边草丛里隐约闪现着鸟儿的身影，也许在为它们的孩子捕食呢。天空蓝灿灿似明镜一般，空彻透明……' \
       '山林里传来农夫的吆喝声，农民的活计来了……小河流得更欢了，带着希望之花流向远方……'

from fractions import Fraction

p_zheng = Fraction(1, 2)
p_la = Fraction(1, 2)

import re
import  jieba
import  pandas as pd
# 分词并统计词频
def count_words(content):
       content = re.sub(r'[\s。……“”，？！]', '', content)
       word_list = jieba.cut(content)
       word_list = pd.Series(word_list).value_counts()
       return  list(word_list) # 返回统计词频

for i in range(1, 11):
       pass

垃圾分类的过程描述:

（1）收集数据：提供文本文件。

（2）准备数据：将文本文件解析成词条向量。

（3）分析数据：检查词条确保解析的正确性。

（4）训练算法：计算不同的独立特征的条件概率。

（5）测试算法：计算错误率。

（6）使用算法：构建一个完整的程序对一组文档进行分类

这里引用其他博主的代码提供一个完全的过程：

import os
import re
import string
import math

DATA_DIR = 'enron'
target_names = ['ham', 'spam']


def get_data(DATA_DIR):
    subfolders = ['enron%d' % i for i in range(1, 7)]
    data = []
    target = []
    for subfolder in subfolders:
        # spam
        spam_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'spam'))
        for spam_file in spam_files:
            with open(os.path.join(DATA_DIR, subfolder, 'spam', spam_file), encoding="latin-1") as f:
                data.append(f.read())
                target.append(1)
        # ham
        ham_files = os.listdir(os.path.join(DATA_DIR, subfolder, 'ham'))
        for ham_file in ham_files:
            with open(os.path.join(DATA_DIR, subfolder, 'ham', ham_file), encoding="latin-1") as f:
                data.append(f.read())
                target.append(0)
    return data, target


X, y = get_data(DATA_DIR)


class SpamDetector_1(object):
    """Implementation of Naive Bayes for binary classification"""

    # 清除空格
    def clean(self, s):
        translator = str.maketrans("", "", string.punctuation)
        return s.translate(translator)

    # 分开每个单词
    def tokenize(self, text):
        text = self.clean(text).lower()
        return re.split("\W+", text)

    # 计算某个单词出现的次数
    def get_word_counts(self, words):
        word_counts = {}
        for word in words:
            word_counts[word] = word_counts.get(word, 0.0) + 1.0
        return word_counts


class SpamDetector_2(SpamDetector_1):
    # X:data,Y:target标签（垃圾邮件或正常邮件）
    def fit(self, X, Y):
        self.num_messages = {}
        self.log_class_priors = {}
        self.word_counts = {}
        # 建立一个集合存储所有出现的单词
        self.vocab = set()
        # 统计spam和ham邮件的个数
        self.num_messages['spam'] = sum(1 for label in Y if label == 1)
        self.num_messages['ham'] = sum(1 for label in Y if label == 0)

        # 计算先验概率，即所有的邮件中，垃圾邮件和正常邮件所占的比例
        self.log_class_priors['spam'] = math.log(
            self.num_messages['spam'] / (self.num_messages['spam'] + self.num_messages['ham']))
        self.log_class_priors['ham'] = math.log(
            self.num_messages['ham'] / (self.num_messages['spam'] + self.num_messages['ham']))

        self.word_counts['spam'] = {}
        self.word_counts['ham'] = {}

        for x, y in zip(X, Y):
            c = 'spam' if y == 1 else 'ham'
            # 构建一个字典存储单封邮件中的单词以及其个数
            counts = self.get_word_counts(self.tokenize(x))
            for word, count in counts.items():
                if word not in self.vocab:
                    self.vocab.add(word)  # 确保self.vocab中含有所有邮件中的单词
                # 下面语句是为了计算垃圾邮件和非垃圾邮件的词频，即给定词在垃圾邮件和非垃圾邮件中出现的次数。
                # c是0或1，垃圾邮件的标签
                if word not in self.word_counts[c]:
                    self.word_counts[c][word] = 0.0
                self.word_counts[c][word] += count


MNB = SpamDetector_2()
MNB.fit(X[100:], y[100:])


class SpamDetector(SpamDetector_2):
    def predict(self, X):
        result = []
        flag_1 = 0
        # 遍历所有的测试集
        for x in X:
            counts = self.get_word_counts(self.tokenize(x))  # 生成可以记录单词以及该单词出现的次数的字典
            spam_score = 0
            ham_score = 0
            flag_2 = 0
            for word, _ in counts.items():
                if word not in self.vocab:
                    continue

                # 下面计算P(内容|垃圾邮件)和P(内容|正常邮件),所有的单词都要进行拉普拉斯平滑
                else:
                    # 该单词存在于正常邮件的训练集和垃圾邮件的训练集当中
                    if word in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log(
                            (self.word_counts['spam'][word] + 1) / (
                                        sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log(
                            (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len(
                                self.vocab)))
                    # 该单词存在于垃圾邮件的训练集当中,但不存在于正常邮件的训练集当中
                    if word in self.word_counts['spam'].keys() and word not in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log(
                            (self.word_counts['spam'][word] + 1) / (
                                        sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log(1 / (sum(self.word_counts['ham'].values()) + len(
                            self.vocab)))
                    # 该单词存在于正常邮件的训练集当中,但不存在于垃圾邮件的训练集当中
                    if word not in self.word_counts['spam'].keys() and word in self.word_counts['ham'].keys():
                        log_w_given_spam = math.log(1 / (sum(self.word_counts['spam'].values()) + len(self.vocab)))
                        log_w_given_ham = math.log(
                            (self.word_counts['ham'][word] + 1) / (sum(self.word_counts['ham'].values()) + len(
                                self.vocab)))

                # 把计算到的P(内容|垃圾邮件)和P(内容|正常邮件)加起来
                spam_score += log_w_given_spam
                ham_score += log_w_given_ham

                flag_2 += 1

                # 最后，还要把先验加上去，即P(垃圾邮件)和P(正常邮件)
                spam_score += self.log_class_priors['spam']
                ham_score += self.log_class_priors['ham']

            # 最后进行预测，如果spam_score > ham_score则标志为1，即垃圾邮件
            if spam_score > ham_score:
                result.append(1)
            else:
                result.append(0)

            flag_1 += 1

        return result


MNB = SpamDetector()
MNB.fit(X[100:], y[100:])
pred = MNB.predict(X[:100])
true = y[:100]

accuracy = 0
for i in range(100):
    if pred[i] == true[i]:
        accuracy += 1
print(accuracy)  

结果反映的是正确分辨率为78%。（这是修改了一部分，原博主为98%）