機器學(xué)習(xí)之樸素貝葉斯(NB)分類算法與Python實現(xiàn)

樸素貝葉斯（Naive Bayesian）是最為廣泛使用的分類方法，它以概率論為基礎(chǔ)，是基于貝葉斯定理和特征條件獨立假設(shè)的分類方法。

一、 概述

1.1 簡介

樸素貝葉斯（Naive Bayesian）是基于貝葉斯定理和特征條件獨立假設(shè)的分類方法，它通過特征計算分類的概率，選取概率大的情況進行分類，因此它是基于概率論的一種機器學(xué)習(xí)分類方法。因為分類的目標(biāo)是確定的，所以也是屬于監(jiān)督學(xué)習(xí)。

Q1：什么是基于概率論的方法？
通過概率來衡量事件發(fā)生的可能性。概率論和統(tǒng)計學(xué)恰好是兩個相反的概念，統(tǒng)計學(xué)是抽取部分樣本進行統(tǒng)計來估算總體的情況，而概率論是通過總體情況來估計單個事件或者部分事情的發(fā)生情況。因此，概率論需要已知的數(shù)據(jù)去預(yù)測未知的事件。
例如，我們看到天氣烏云密布，電閃雷鳴并陣陣狂風(fēng)，在這樣的天氣特征(F)下，我們推斷下雨的概率比不下雨的概率大，也就是p(下雨)>p(不下雨),所以認(rèn)為待會兒會下雨。這個從經(jīng)驗上看對概率進行判斷。
而氣象局通過多年長期積累的數(shù)據(jù)，經(jīng)過計算，今天下雨的概率p(下雨)=85%,p(不下雨)=15%,同樣的，p(下雨）>p(不下雨)，因此今天的天氣預(yù)報肯定預(yù)報下雨。這是通過一定的方法計算概率從而對下雨事件進行判斷。

Q2:樸素貝葉斯，樸素在什么地方？
之所以叫樸素貝葉斯，因為它簡單、易于操作，基于特征獨立性假設(shè)，假設(shè)各個特征不會相互影響，這樣就大大減小了計算概率的難度。

1.2 條件概率與貝葉斯定理

（1）概率論中幾個基本概念

事件交和并：
A和B兩個事件的交，指的是事件A和B同時出現(xiàn)，記為A∩B;
A和B兩個事件的并，指的是事件A和事件B至少出現(xiàn)一次的情況，記為A∪B。

互補事件：事件A的補集，也就是事件A不發(fā)生的時候的事件，記為Ac。這個時候，要么A發(fā)生，要么Ac發(fā)生，P(A)+P(Ac)=1。

條件概率(conditional probability)：
某個事件發(fā)生時另外一個事件發(fā)生的概率，如事件B發(fā)生條件下事件A發(fā)生的概率：

概率的乘法法則（multiplication rule of probability）：

獨立事件交的概率：
兩個相互獨立的事件，其交的概率為：

更多概率論基本概念，參見：概率論基本概念

（2）貝葉斯定理（Bayes’s Rule）：
如果有k個互斥且有窮個事件

p(A)：事件A發(fā)生的概率；
p(A∩B):事件A 和事件B同時發(fā)生的概率
p(A|B)：表示事件A在事件B發(fā)生的條件下發(fā)生的概率，

1.3 樸素貝葉斯分類的原理

樸素貝葉斯基于條件概率、貝葉斯定理和獨立性假設(shè)原則
(1)首先，我們來看條件概率原理：

基于概率論的方法告訴我們，當(dāng)只有兩種分類時：

（2）其次，貝葉斯定理
同樣的道理，引入貝葉斯定理，有：

其中，x,y表示特征變量，ci表示分類，p(ci|x,y)即表示在特征為x,y的情況下分入類別ci的概率，因此，結(jié)合條件概率和貝葉斯定理，有：

如果p(c1|x,y)>p(c2|x,y)，那么分類應(yīng)當(dāng)屬于c1；

如果p(c1|x,y)<p(c2|x,y)，那么分類應(yīng)當(dāng)屬于c2；

貝葉斯定理最大的好處是可以用已知的三個概率去計算未知的概率，而如果僅僅是為了比較p(ci|x,y)和p(cj|x,y)的大小，只需要已知兩個概率即可，分母相同，比較p(x,y|ci)p(ci)和p(x,y|cj)p(cj)即可。

（3）特征條件獨立假設(shè)原則

樸素貝葉斯最常見的分類應(yīng)用是對文檔進行分類，因此，最常見的特征條件是文檔中，出現(xiàn)詞匯的情況，通常將詞匯出現(xiàn)的特征條件用詞向量ω表示，由多個數(shù)值組成，數(shù)值的個數(shù)和訓(xùn)練樣本集中的詞匯表個數(shù)相同。
因此，上述的貝葉斯條件概率公式可表示為：

前面提到樸素貝葉斯還有一個假設(shè)，就是基于特征條件獨立的假設(shè)，也就是我們姑且認(rèn)為詞匯表中各個單詞獨立出現(xiàn)，不會相互影響，因此，p(ω|ci)可以將ω展開成獨立事件概率相乘的形式，因此：

這樣，計算概率就簡單太多了。

1.4 樸素貝葉斯分類的流程和優(yōu)缺點

（1）分類流程

1.數(shù)據(jù)準(zhǔn)備：收集數(shù)據(jù)，并將數(shù)據(jù)預(yù)處理為數(shù)值型或者布爾型，如對文本分類，需要將文本解析為詞向量
2.訓(xùn)練數(shù)據(jù)：根據(jù)訓(xùn)練樣本集計算詞項出現(xiàn)的概率，訓(xùn)練數(shù)據(jù)后得到各類下詞匯出現(xiàn)概率的向量
3. 測試數(shù)據(jù)：用測試樣本集去測試分類的準(zhǔn)確性

（2） 優(yōu)缺點
1. 監(jiān)督學(xué)習(xí)，需要確定分類的目標(biāo)
2. 對缺失數(shù)據(jù)不敏感，在數(shù)據(jù)較少的情況下依然可以使用該方法
3. 可以處理多個類別 的分類問題
4. 適用于標(biāo)稱型數(shù)據(jù)
5. 對輸入數(shù)據(jù)的形勢比較敏感
6. 由于用先驗數(shù)據(jù)去預(yù)測分類，因此存在誤差

二、Python算法實現(xiàn)

以在線社區(qū)的留言板評論為例，運用樸素貝葉斯分類方法，對文本進行自動分類。

構(gòu)造一些實驗樣本，包括已經(jīng)切分詞條的文檔集合，并且已經(jīng)分類（帶有侮辱性言論，和正常言論）。為了獲取方便，在bayes.py中構(gòu)造一個loadDataSet函數(shù)來生成實驗樣本。

def loadDataSet():
    postingList=[['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']]
    classVec=[0,1,0,1,0,1] #1表示侮辱性言論，0表示正常言論
    return postingList,classVec

2.1 根據(jù)文檔詞匯表構(gòu)建詞向量

(1)構(gòu)建詞匯表生成函數(shù)creatVocabList：

def createVocabList(dataSet):
    vocabSet=set([])
    for document in dataSet:
        vocabSet=vocabSet|set(document) #取兩個集合的并集
    return list(vocabSet)

(2)對輸入的詞匯表構(gòu)建詞向量

#詞集模型
def setOfWords2Vec(vocabList,inputSet):
    returnVec=zeros(len(vocabList)) #生成零向量的array
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)]=1 #有單詞，則該位置填充0
        else: print('the word:%s is not in my Vocabulary!'% word)
    return returnVec #返回全為0和1的向量

這種構(gòu)建詞向量的方法，只記錄了每個詞是否出現(xiàn)，而沒有記錄詞出現(xiàn)的次數(shù)，這樣的模型叫做詞集模型，如果在詞向量中記錄詞出現(xiàn)的次數(shù)，沒出現(xiàn)一次，則多記錄一次，這樣的詞向量構(gòu)建方法，被稱為詞袋模型，下面構(gòu)建以一個詞袋模型的詞向量生成函數(shù)bagOfWord2VecMN:

#詞袋模型
def bagOfWords2VecMN(vocabList,inputSet):
    returnVec=[0]*len(vocabList)
    for word in inputSet:
        if word in vocabList:
            returnVec[vocabList.index(word)]+=1
    return returnVec #返回非負(fù)整數(shù)的詞向量
    測試，對詞向量生成函數(shù)進行測試，在控制臺輸入如下命令：

In [105]: import bayes
     ...:
In [106]: listPosts,listClasses=bayes.loadDataSet()
     ...:
In [107]: myVocabList=bayes.createVocabList(listPosts)
     ...:
In [108]: myVocabList
     ...:
Out[108]:
['I','quit', 'him', 'licks', 'food', 'problems', 'how', 'help', 'mr', 'my', 'take', 'posting', 'stupid', 'has', 'steak', 'buying', 'dalmation', 'flea', 'cute', 'park', 'please', 'dog', 'worthless', 'to', 'garbage','love', 'is', 'so', 'maybe', 'ate', 'stop', 'not']

In [109]: bayes.setOfWords2Vec(myVocabList,listPosts[0])
     ...:
Out[109]: array([ 0.,  0.,  0., ...,  0.,  0.,  0.])

In [110]: bayes.setOfWords2Vec(myVocabList,listPosts[1])
     ...:

2.2 運用詞向量計算概率

再看前文提到的樸素貝葉斯的原理，要計算詞向量ω=(ω0,ω1,ω2,...ωN,)，落入ci類別下的概率:

因此計算出現(xiàn)概率大致有這么一些流程：

是用Python代碼實現(xiàn)，創(chuàng)建函數(shù)TrainNB：

def trainNB0(trainMatrix,trainCategory):
    numTrainDocs=len(trainMatrix) #文檔數(shù)目
    numWord=len(trainMatrix[0]) #詞匯表詞數(shù)目
    pAbusive=sum(trainCategory)/len(trainCategory) #p1,出現(xiàn)侮辱性評論的概率
    p0Num=zeros(numWord);p1Num=zeros(numWord)
    p0Demon=0;p1Demon=0
    for i in range(numTrainDocs):
        if trainCategory[i]==0:
            p0Num+=trainMatrix[i] #向量相加
            p0Demon+=sum(trainMatrix[i]) #向量中1累加求和
        else:
            p1Num+=trainMatrix[i]
            p1Demon+=sum(trainMatrix[i])
    p0Vec=p0Num/p0Demon
    p1Vec=p1Num/p1Demon
    return p0Vec,p1Vec,pAbusive

解釋：
1.pAbusive=sum(trainCategory)/len(trainCategory)，表示文檔集中分類為1的文檔數(shù)目，累加求和將詞向量中所有1相加，len求長度函數(shù)則對所有0和1進行計數(shù)，最后得到分類為1的概率
2.p0Num+=trainMatrix[i];p0Demon+=sum(trainMatrix[i])，前者是向量相加，其結(jié)果還是向量，trainMatrix[i]中是1的位置全部加到p0Num中，后者是先求和（該詞向量中詞項的數(shù)目），其結(jié)果是數(shù)值，表示詞項總數(shù)。
3.p0Vec=p0Num/p0Demon，向量除以數(shù)值，結(jié)果是向量，向量中每個元素都除以該數(shù)值。

測試：對構(gòu)建的樸素貝葉斯分類器訓(xùn)練函數(shù)進行測試，在python（個人使用的是ipython）提示符中輸入：

In [111]: reload(bayes)
     ...:
Out[111]: <module 'bayes' from 'G:\\Workspaces\\MachineLearning\\bayes.py'>
In [112]: listPosts,listClasses=bayes.loadDataSet()
     ...:
In [113]: myVocabList=bayes.createVocabList(listPosts)
     ...:
In [114]: trainMat=[]
     ...:
In [115]: for postinDoc in listPosts:
     ...:     trainMat.append(bayes.setOfWords2Vec(myVocabList,postinDoc))
     ...:
     ...:
In [116]: p0v,p1v,pAb=bayes.trainNB0(trainMat,listClasses)
     ...:
In [117]: pAb
     ...:
Out[117]: 0.5
In [118]: p0v
     ...:
Out[118]:
array([ 0.04166667,  0.        ,  0.08333333, ...,  0.04166667,
        0.04166667,  0.        ])
In [119]: p1v
     ...:
Out[119]:
array([ 0.        ,  0.05263158,  0.05263158, ...,  0.        ,
        0.05263158,  0.05263158])
#myVocabList中第26個詞匯是'love'，即myVocabList[25]='love'
In [121]: p0v[25]
Out[121]: 0.041666666666666664
In [122]: p1v[25]
Out[122]: 0.0
##myVocabList中第13個詞匯是'stupid'，即myVocabList[13]='stupid'
In [124]: p0v[12]
Out[124]: 0.0
In [125]: p1v[12]
Out[125]: 0.15789473684210525

從結(jié)果我們看到，侮辱性文檔出現(xiàn)的概率是0.5，詞項’love’在侮辱性文檔中出現(xiàn)的概率是0，在正常言論中出現(xiàn)的概率是0.042；詞項‘stupid’在正常言論中出現(xiàn)的概率是0，在侮辱性言論中出現(xiàn)的規(guī)律是0.158.

算法漏洞：

乘積為0

我們看到，當(dāng)某分類下某詞項出現(xiàn)頻次為0時，其概率也是0，因此在計算p(w0|ci)p(w1|ci)p(w2|ci)......p(wN|ci)會因為其中某個的概率為0而全部是0。

為了避免這樣的情況發(fā)生，我們將所有詞項出現(xiàn)的頻次都初始化為1，某類所有詞項數(shù)量初始化為2。

因子太小導(dǎo)致結(jié)果溢出問題

由于p(w0|ci)p(w1|ci)p(w2|ci)......p(wN|ci)中每個因子都很小，所有因子相乘，特別是因子數(shù)量多的時候，會導(dǎo)致結(jié)果溢出，從而得到錯誤的數(shù)據(jù)

避免溢出問題的發(fā)生，可以使用求自然對數(shù)的方法，自然對數(shù)和原本的數(shù)值同增同減，不會有任何損失，因此不會影響求得的概率結(jié)果。

因此，將樸素貝葉斯分類器函數(shù)修改為：

def trainNB1(trainMatrix,trainCategory):
    numTrainDocs=len(trainMatrix)
    numWord=len(trainMatrix[0])
    pAbusive=sum(trainCategory)/len(trainCategory)
    p0Num=ones(numWord);p1Num=ones(numWord)# 初始化為1
    p0Demon=2;p1Demon=2 #初始化為2
    for i in range(numTrainDocs):
        if trainCategory[i]==0:
            p0Num+=trainMatrix[i]
            p0Demon+=sum(trainMatrix[i])
        else:
            p1Num+=trainMatrix[i]
            p1Demon+=sum(trainMatrix[i])
    p0Vec=log(p0Num/p0Demon) #對結(jié)果求對數(shù)
    p1Vec=log(p1Num/p1Demon) #對結(jié)果求自然對數(shù)
    return p0Vec,p1Vec,pAbusive

2.3 運用分類器函數(shù)對文檔進行分類

前文概率論講到，計算文檔在各類中的概率，取較大者作為該文檔的分類，所以構(gòu)建分類函數(shù)classifyNB:

def testingNB():
    listPosts,listClasses=loadDataSet()
    myVocabList=createVocabList(listPosts)
    trainMat=[]
    for postinDoc in listPosts:
        trainMat.append(setOfWords2Vec(myVocabList,postinDoc))
    p0V,p1V,pAb=trainNB1(trainMat,listClasses)
    testEntry=['love','my','dalmation']
    thisDoc=setOfWords2Vec(myVocabList,testEntry)
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry=['stupid','garbage']
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))

說明：
p1=sum(vec2Classify*p1Vec)+log(pClass1) 的數(shù)學(xué)原理是ln(a*b)=ln(a) +ln(b)

接下來構(gòu)造幾個樣本，來測試分類函數(shù)：

def testingNB():
    listPosts,listClasses=loadDataSet()
    myVocabList=createVocabList(listPosts)
    trainMat=[]
    for postinDoc in listPosts:
        trainMat.append(setOfWords2Vec(myVocabList,postinDoc))
    p0V,p1V,pAb=trainNB1(trainMat,listClasses)
    testEntry=['love','my','dalmation']
    thisDoc=setOfWords2Vec(myVocabList,testEntry)
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))
    testEntry=['stupid','garbage']
    thisDoc=array(setOfWords2Vec(myVocabList,testEntry))
    print(testEntry,'classified as:',classifyNB(thisDoc,p0V,p1V,pAb))

測試，在Python命令符中輸入：In [126]: reload(bayes)

...:
Out[126]: <module 'bayes' from 'G:\\Workspaces\\MachineLearning\\bayes.py'>

In [127]: bayes.testingNB()
     ...:
['love', 'my', 'dalmation'] classified as: 0 #分類到正常言論
['stupid', 'garbage'] classified as: 1 #分類到侮辱性言論

三、 實例：使用樸素貝葉斯過濾垃圾郵件

文件夾spam和ham中各有25封txt文檔形式的郵件正文，兩個文件夾分別分類為1和0，如打開ham中2.txt文件，其內(nèi)容為：

Yay to you both doing fine!

I'm working on an MBA in Design Strategy at CCA (top art school.)  It's a new program focusing on more of a right-brained creative and strategic approach to management.  I'm an 1/8 of the way done today!

現(xiàn)在，利用這些文檔，進行樸素貝葉斯分類算法訓(xùn)練和測試：

#切分文本函數(shù)
def textParser(bigString):
    import re #正則表達式
    listOfTokens=re.split(r'\W*',bigString) #\W表示非單詞符進行劃分
    return [tok.lower() for tok in listOfTokens if len(tok)>2] #返回小寫且長度大于2的詞項

#對文件夾中文件進行自動處理
def spanTest():
    docList=[];classList=[];fullText=[]
    for i in range(1,26):
        wordList=textParser(open('machinelearninginaction/Ch04/email/spam/%d.txt'%i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList=textParser(open('machinelearninginaction/Ch04/email/ham/%d.txt'%i).read())
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList=createVocabList(docList)
    #留存交叉驗證
    trainingSet=list(range(50));testSet=[]
    for i in range(10):
        randIndex=int(random.uniform(0,len(trainingSet)))
        testSet.append(trainingSet[randIndex])
        del(trainingSet[randIndex])
    trainMat=[];trainClasses=[]
    for docIndex in trainingSet:
        trainMat.append(setOfWords2Vec(vocabList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pAb=trainNB1(trainMat,trainClasses)
    errorCount=0
    for docIndex in testSet:
        wordVector=setOfWords2Vec(vocabList,docList[docIndex])
        if classifyNB(wordVector,p0V,p1V,pAb) != classList[docIndex]:
            errorCount+=1
            print('classification error',docList[docIndex])
    print('the error rate is:',float(errorCount)/len(testSet))

利用該樣本集合中的數(shù)據(jù)樣本，隨機選取一部分作為訓(xùn)練樣本集，剩余部分作為測試樣本集，這樣的方法稱為留存交叉驗證

在Python console中對函數(shù)進行測試：

In [131]: bayes.spanTest()
     ...:
classification error ['home', 'based', 'business', 'opportunity', 'knocking', 'your', 'door', 'don抰', 'rude', 'and', 'let', 'this', 'chance', 'you', 'can', 'earn', 'great', 'income', 'and', 'find', 'your', 'financial', 'life', 'transformed', 'learn', 'more', 'here', 'your', 'success', 'work', 'from', 'home', 'finder', 'experts']
the error rate is: 0.1
D:\Tools\ANACONDA\lib\re.py:212: FutureWarning: split() requires a non-empty pattern match.
  return _compile(pattern, flags).split(string, maxsplit)

可以看到測試的錯誤率為0.1，并且輸出了分類錯誤的文檔中的詞項。多次執(zhí)行上述函數(shù)進行測試，發(fā)現(xiàn)錯誤率會變化。

四、實例：使用樸素貝葉斯分類器從個人廣告中獲取區(qū)域傾向

我們利用python庫中中的Universal Feed Parser來獲取數(shù)據(jù)，首先需要引入包feedparser:import feedparser，如果沒有需要安裝，比較簡單的方法是使用pip進行安裝。

#獲取頻率最高的詞項
def calcMostFreq(vocabList,fullText):
    import operator
    freqDict={}
    for word in vocabList:
        freqDict[word]=fullText.count(word)
    sortedFreq=sorted(freqDict.items(),key=operator.itemgetter(1),reverse=True)
    return sortedFreq[:20]

#
def localWords(feed1,feed0):
    import feedparser
    docList=[];classList=[];fullText=[]
    minLen=min(len(feed1['entries']),len(feed0['entries']))
    for i in range(minLen):
        wordList=textParser(feed1['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(1)
        wordList=textParser(feed0['entries'][i]['summary'])
        docList.append(wordList)
        fullText.extend(wordList)
        classList.append(0)
    vocabList=createVocabList(docList)
    top30words=calcMostFreq(vocabList,fullText) #選取頻率最高的30個詞
    #去掉出現(xiàn)頻率最高的30個詞
    for pairW in top30words:
        if pairW[0] in vocabList:
            vocabList.remove(pairW[0])
    trainSet=list(range(2*minLen))
    testSet=[]
    for i in range(20):
        randIndex=int(random.uniform(0,len(trainSet)))
        testSet.append(trainSet[randIndex])
        del(trainSet[randIndex])
    trainMat=[];trainClasses=[]
    for docIndex in trainSet:
        trainMat.append(bagOfWords2VecMN(vocabList,docList[docIndex]))
        trainClasses.append(classList[docIndex])
    p0V,p1V,pSpam=trainNB1(trainMat,trainClasses)
    errorCount=0
    for docIndex in testSet:
        wordVector=bagOfWords2VecMN(vocabList,docList[docIndex])
        if classifyNB(wordVector,p0V,p1V,pSpam) !=classList[docIndex]:
            errorCount+=1
    print('the error rate is:',float(errorCount)/len(testSet))
    return vocabList,p0V,p1V

說明：
1.為什么要去除頻次最高的詞項：因為出現(xiàn)頻次高的詞項很多是沒有意義的冗余和輔助性內(nèi)容，不移除這些詞匯，使用樸素貝葉斯分類算法，其錯誤率會顯著高一些
- 另外一個方法，是從詞表中刪除輔助詞，這個需要刪除的詞表被稱為停用詞表，這個網(wǎng)站列出了多門語言，如英文、中文等語言中的停用詞表。

在Python命令符中對上述函數(shù)進行測試：

In [132]: import feedparser
     ...:
In [133]: ny=feedparser.parse('https://newyork.craigslist.org/stp/index.rss')
     ...:
In [134]: sf=feedparser.parse('https://sfbay.craigslist.org/stp/index.rss')
     ...:
In [135]: vocabList,pSF,pNY=bayes.localWords(ny,sf)
     ...:
the error rate is: 0.45
D:\Tools\ANACONDA\lib\re.py:212: FutureWarning: split() requires a non-empty pattern match.
  return _compile(pattern, flags).split(string, maxsplit)

In [136]: vocabList,pSF,pNY=bayes.localWords(ny,sf)
     ...:
the error rate is: 0.3
D:\Tools\ANACONDA\lib\re.py:212: FutureWarning: split() requires a non-empty pattern match.
  return _compile(pattern, flags).split(string, maxsplit)

(2)顯示最具表征性的詞匯

In [143]: bayes.getTopWords(ny,sf,-4.5)
the error rate is: 0.4
SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF
guy
know
talk
friendship
married
maybe
going
single
out
male
NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY
day
out
meet
chat
seeking
year
time
stocks
well
now
woman
kik
company
work
D:\Tools\ANACONDA\lib\re.py:212: FutureWarning: split() requires a non-empty pattern match.
  return _compile(pattern, flags).split(string, maxsplit)#最具表征性的詞匯表顯示函數(shù)
def getTopWords(ny,sf,t=-6.0):
    import operator
    vocabList,p0V,p1V=localWords(ny,sf)
    topNY=[];topSF=[]
    for i in range(len(p0V)):
    #選取一個閾值t
        if p0V[i]>t:topSF.append((vocabList[i],p0V[i]))
        if p1V[i]>t:topNY.append((vocabList[i],p1V[i]))
    sortedSF=sorted(topSF,key=lambda x: x[1],reverse=True)
    print('SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF')
    for item in sortedSF:
        print(item[0])        
    sortedNY=sorted(topNY,key=lambda pair: pair[1],reverse=True)
    print('NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY')
    for item in sortedNY:

print(item[0])

測試：在Python命令符中輸入命令來測試函數(shù)：

In [143]: bayes.getTopWords(ny,sf,-4.5)
the error rate is: 0.4
SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF**SF
guy
know
talk
friendship
married
maybe
going
single
out
male
NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY**NY
day
out
meet
chat
seeking
year
time
stocks
well
now
woman
kik
company
work
D:\Tools\ANACONDA\lib\re.py:212: FutureWarning: split() requires a non-empty pattern match.
  return _compile(pattern, flags).split(string, maxsplit)