朴素贝叶斯就是求概率原理可以参考（http://blog.csdn.net/amds123/article/details/70173402）

以下是实例代码：

class bys():
    def classify(self,data, attrIndex):
        classes = {}
        for item in data:
            try:
                classes[item[attrIndex]].append(item)
            except:
                classes[item[attrIndex]] = [item]
        return classes

    def p(self,data, index, key):

        count = 0
        for item in data:
            if item[index] == key:
                count += 1
        return 1.0 * count / len(data)

    def max(self,p):
        keys = list(p.keys())
        maxKey = keys[0]
        for key in keys:
            if p[key] > p[maxKey]:
                maxKey = key
        return maxKey

    def do(self,trainData,testData):
        # 训练实例
        dataset = trainData

        # 测试实例
        attributes = testData
        #获取no和yes的字典
        classes = self.classify(dataset, len(trainData[0]) - 1)

        p0 = []
        p1 = {}

        for key in classes.keys():
            p1[key] = 1.0 * len(classes[key]) / len(dataset)
        p0.append(p1)#获取训练数据no和yes的概率

        for index in range(0, len(attributes)):
            p1 = {}
            for key in classes.keys():
                #求某个特征值在no和yes的改路
                p1[key] = self.p(classes[key], index, attributes[index])
                # print (key, attributes[index], p1[key])
            p0.append(p1)

        p1 = {}

        for key in classes.keys():
            P = 1.0;
            for item in p0:
                P = P * item[key]
            p1[key] = P

        print(p1)
        print (max(p1))

if __name__=='__main__':
    #训练数据
    trainData = [['Sunny', 'Hot', 'High', 'Weak', 'no'],
        ['Sunny', 'Hot', 'High', 'Strong', 'no'],
        ['Overcast', 'Hot', 'High', 'Weak', 'yes'],
        ['Rainy', 'Mild', 'High', 'Weak', 'yes'],
        ['Rainy', 'Cool', 'Normal', 'Weak', 'yes'],
        ['Rainy', 'Cool', 'Normal', 'Strong', 'no'],
        ['Overcast', 'Cool', 'Normal', 'Strong', 'yes'],
        ['Sunny', 'Mild', 'High', 'Weak', 'no'],
        ['Sunny', 'Cool', 'Normal', 'Weak', 'yes'],
        ['Rainy', 'Mild', 'Normal', 'Weak', 'yes'],
        ['Sunny', 'Mild', 'Normal', 'Strong', 'yes'],
        ['Overcast', 'Mild', 'High', 'Strong', 'yes'],
        ['Overcast', 'Hot', 'Normal', 'Weak', 'yes'],
        ['Rainy', 'Mild', 'High', 'Strong', 'no']]
    #测试数据
    testData = ('Sunny','Cool','High','Strong')
    bys = bys()
    bys.do(trainData,testData)