使用Python进行文本分类（二）
测试算法：根据实际情况修改分类器
TabError: Inconsistent use of tabs and spaces in indentation解决方法：
这个错误是说你用了tab键作缩进了，
因为在python不像C/C++里用大括号来区分程序块，而是用缩进
所以缩进很重要你把Tab都换成空格就好了
def classifyNB(vec2Classify, p0Vec, p1Vec, pClass1):#这个函数就是测试你输入的vec2Classify向量根据贝叶斯概率是否属于侮辱性语言
p1 = sum(vec2Classify * p1Vec) + log(pClass1)#根据贝叶斯那个概率计算公式，就是先把所有p(wi|ci)先相乘就是
#就是所有词出现的概率相乘，这个vec2Classify向量在函数testingNB是经过处理的，这里log+其实就是概率公式的*
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
if p1 > p0:
return 1
else:
return 0
def testingNB():
listOPosts,listClasses = loadDataSet()
myVocabList = createVocabList(listOPosts)#createVocabList将输入文档的不重复词创建为一个列表，myVocabList就还是之前那32个词组成的数组吧
trainMat=[]
for postinDoc in listOPosts:
trainMat.append(setOfWords2Vec(myVocabList,postinDoc))#这里是建立了一个新数组来存放经过setOfWords2Vec处理的myVocabList
#就是每一行32个词汇出现没出现，trainMat=[]应该是6x32的数组吧
p0V,p1V,pAb = trainNB0(trainMat,listClasses)
testEntry = ['love', 'my', 'dalmation']#第一个测试向量
thisDoc = array(setOfWords2Vec(myVocabList,testEntry))#之前说的vec2Classify向量在函数testingNB是经过处理的就是指这里
#现在myVocabList就是那32个词汇，setOfWords2Vec把 testEntry 由文本转换为01010的一个向量
#thisDoc就是1x32的数组，这就可以解释上边
print(testEntry, 'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
testEntry = ['stupid', 'garbage']#第二个测试向量 vec2Classify * p1Vec这个操作了，就是计算我们要测试的这个词条每个词出现，不行了，我也有些乱了，下面说
thisDoc = array(setOfWords2Vec(myVocabList,testEntry))
print(testEntry, 'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))该怎么理解这个乘法呢？vec2Classify * p1Vec
testEntry = [‘stupid’, ‘garbage’]
这是myVocabList
[‘is’, ‘flea’, ‘help’, ‘cute’, ‘food’, ‘stop’, ‘ate’, ‘stupid’, ‘how’, ‘not’, ‘maybe’, ‘take’, ‘steak’, ‘has’, ‘dalmation’, ‘worthless’, ‘quit’, ‘problems’, ‘garbage’, ‘love’, ‘dog’, ‘my’, ‘to’, ‘him’, ‘posting’, ‘buying’, ‘mr’, ‘licks’, ‘I’, ‘so’, ‘park’, ‘please’]
那么testEntry
thisDoc[7]=thisDoc[18]=1 其它都是0
p1Vect = p1Num/p1Denom
就是在已知文档是否为侮辱性文档的情况下，32个词汇中 每个词汇出现的次数 /32个词汇出现的总次数
sum(thisDoc*p1Vec)其实就是thisDoc[7]（stupid出现的概率）+thisDoc[18]（garbage出现的概率）
在log中是加，实际上是乘（这里要是把公式打出来可能效果更好，无奈不会再这个编辑器插入数学公式）
因此，就可以理解
p1 = sum(vec2Classify * p1Vec) + log(pClass1)
p0 = sum(vec2Classify * p0Vec) + log(1.0 - pClass1)
用来判断这个词条是否是侮辱性语言了
准备数据：文档词袋模型
我们将每个词的出现与否作为一个特征，这可以被描述为词集模型。
如果一个词在文档中出现不止一次，这可能意味着包含该词是否出现在文档中所不能表达的某种信息，这种方法被称为词袋模型。
第一眼没看懂，第二眼嗯 断句嘛
如果一个词在文档中出现不止一次 意味着某种信息，什么信息呢，（该词是否出现在文档中）所不能表达的信息。
因为词集模式不能表达的信息，所以建立了词袋模型。
setOfWords2Vec(vocabList, inputSet):#输入为词汇表及文档，判断词汇表中每个词是否在文档中出现过
setOfWords2Vec对应的就是建立了一个词集模型
bagOfWords2VecMN对应的就是建立了一个词袋模型
def bagOfWords2VecMN(vocabList, inputSet):
returnVec = [0]*len(vocabList)
for word in inputSet:
if word in vocabList:
returnVec[vocabList.index(word)] += 1
return returnVec当遍历inputSet中的每个词时，如果这个词在vocabList中出现过，就遍历到这个词在returnVec中对应的位置加1，这时，每个词对应的将会是它在这个inoutSet出现过几次