关于朴素贝叶斯算法的原理可以参考李航统计学习方法，博客的话，这篇就不错：https://www.cnblogs.com/leoo2sk/archive/2010/09/17/naive-bayesian-classifier.html

下面是关于李航一书例题的代码实现部分：

首先是例4.1不加分类的部分：

先贴结果：

感觉比kd树好写很多，上代码：（新手上路，大神们多指点）

#author：xinxinzhang

def loadDataSet():  #加载表4.1数据
    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=[-1,-1,1,1,-1,-1,-1,1,1,1,1,1,1,1,-1]
    return x1,x2,Y

def nb(x1,x2,Y):  #朴素贝叶斯算法部分
    x1_s=set(x1)  #特征1去重：建立特征一的词典
    x2_s=set(x2)  #特征二去重
    p(x1,x1_s,Y)  #计算特征一分别属于1跟-1的概率，就是就是书上1，3两行
    p(x2,x2_s,Y) #计算特征二属于1，-1概率，书上2，4两行

def p(xj,x_s,Y):
    for x in x_s:  #对每一个特征
        xcount = 0  
        _xcount=0
        for i in range(15):#对每一个样本
            if Y[i]==1 and xj[i]==x: #再y=1时，每个特征出现次数
                xcount+=1
            elif Y[i]==-1 and xj[i]==x:#y=-1时，每个特征出现次数
                _xcount+=1

        print('x=%s,Y=%d,p=%f'%(x,1,xcount/Y.count(1)))  #打印概率
        print('x=%s,Y=%d,p=%f'%(x,-1,_xcount/Y.count(-1)))

x1,x2,Y=loadDataSet()
nb(x1,x2,Y)