朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的简单概率分类器。在Python中，我们可以利用scikit-learn库来实现朴素贝叶斯分类。在这个实例中，我们将探讨如何用Python编写一个朴素贝叶斯分类器，并用scikit-learn的iris数据集进行测试。
我们需要导入必要的库，如numpy和scikit-learn的datasets模块。在提供的代码中，我们创建了一个名为`NaiveBayesClassifier`的类，该类包含了训练和分类的基本方法。
在`NaiveBayesClassifier`的初始化方法`__init__()`中，定义了数据矩阵`dataMat`、标签矩阵`labelMat`以及用于存储类别概率的字典`pLabel`和特征概率的字典`pNum`。
`loadDataSet()`方法用于加载数据。这里使用了scikit-learn的`load_iris()`函数，它返回一个包含iris数据集的字典，其中`data`是特征向量，`target`是对应的类别标签。将数据和标签分别赋值给`dataMat`和`labelMat`。接下来，计算每个类别的概率`pLabel`，这是通过计算属于某一类的样本数量占总样本数量的比例得到的。
`seperateByClass()`方法用于按类别分隔数据，创建一个字典，键为类别标签，值为对应类别的数据子集。
`getProbByArray()`方法计算给定二维数组中每列（特征）的每个取值（数值）出现的概率。如果某一特征值在所有样本中都未出现，为了防止除以零的错误，我们将其概率设置为1除以特征总数。
`train()`方法执行分类器的训练过程。获取每个特征的数量，然后调用`seperateByClass()`方法将数据按类别分隔。接着，对每个类别及其数据子集调用`getProbByArray()`方法，计算每个特征的条件概率，存储在`pNum`字典中。
`classify()`方法用于对新数据进行分类。它首先初始化一个长度与类别数量相等的数组`pTest`，并遍历所有类别。对于每个类别，计算给定数据点属于该类别的概率，即该类别的先验概率乘以每个特征的条件概率。返回概率最大的类作为预测类别。
需要注意的是，这个实现中对于类别下没有某特征的情况，采用了“拉普拉斯平滑”策略，即对于未出现的特征赋予1除以样本数量的概率，这是一种常见的处理零频率问题的方法。
总结来说，这个Python实现的朴素贝叶斯分类器利用了贝叶斯定理和特征条件独立假设，通过对iris数据集进行训练，能够对新的数据点进行分类。虽然代码较为简洁，但它展示了朴素贝叶斯分类器的基本思想和实现步骤。在实际应用中，可能需要根据具体任务和数据进行优化和调整。
