import numpy as np
#構造NB分類器
def Train(X_train, Y_train, feature):
    global class_num,label
    class_num = 2           #分類數目
    label = [1, -1]         #分類標籤
    feature_len = 3         #特徵長度
    #構造3×2的列表
    feature = [[1, 'S'],
               [2, 'M'],
               [3, 'L'],[4,]]
    prior_prob = np.zeros(class_num)
    con_prob = np.zeros((class_num,feature_len,2))   # 初始化條件概率
    positive_count = 0     #統計正類
    negative_count = 0     #統計負類
    for i in range(len(Y_train)):
        if Y_train[i] == 1:
            positive_count += 1
        else:
            negative_count += 1
    prior_prob[0] = positive_count / len(Y_train)    #求得正類的先驗概率
    prior_prob[1] = negative_count / len(Y_train)    #求得負類的先驗概率
    '''
    con_prob是一個2*3*2的三維列表，第一維是類別分類（class即+-1），第二維和第三維是一個3*2的特徵分類,第三維的是哪一個特徵，第二維是特徵值
    '''
    #分為兩個類別
    for i in range(class_num):
        #對特徵按行遍歷
        for j in range(feature_len):
            #遍歷資料集，並依次做判斷
            for k in range(len(Y_train)):
                if Y_train[k] == label[i]: #相同類別
                    if X_train[k][0] == feature[j][0]:#第幾個（0號或1號特徵值）的值相等，計數加個一
                        con_prob[i][j][0] += 1
                    if X_train[k][1] == feature[j][1]:
                        con_prob[i][j][1] += 1
    class_label_num = [positive_count, negative_count]  #存放各型別的數目
    for i in range(class_num):
        for j in range(feature_len):
            '''
            此處把原先存數量的位置轉而存概率，con_prob。
            '''
            con_prob[i][j][0] = con_prob[i][j][0] / class_label_num[i]  #求得i類j行第一個特徵的條件概率
            con_prob[i][j][1] = con_prob[i][j][1] / class_label_num[i]  #求得i類j行第二個特徵的條件概率
    return prior_prob,con_prob
#給定資料進行分類
def Predict(testset, prior_prob, con_prob, feature):#測試，先驗概率，條件概率，特徵
    result = np.zeros(len(label))
    for i in range(class_num):
        for j in range(len(feature)):
            if feature[j][0] == testset[0]:#第一個（0號）特徵值的概率
                conA = con_prob[i][j][0]
            if feature[j][1] == testset[1]:#第二個（1號）特徵值的概率
                conB = con_prob[i][j][1]
        result[i] = conA * conB * prior_prob[i]#result0是正類別的概率，result1是負的概率
    result = np.vstack([result,label])#拼接
    return result
def main():
    X_train = [[1, 'S'], [1, 'M'], [1, 'M'], [1, 'S'],  [1, 'S'],
               [2, 'S'], [2, 'M'], [2, 'M'], [2, 'L'],  [2, 'L'],
               [3, 'L'], [3, 'M'], [3, 'M'], [3, 'L'],  [3, 'L']]
    Y_train = [-1, -1, 1, 1, -1, -1, -1, 1, 1, 1, 1, 1, 1, 1, -1]
    #構造3×2的列表
    feature = [[1, 'S'],
               [2, 'M'],
               [3, 'L']]
    testset = [3, 'M']
    prior_prob, con_prob= Train(X_train, Y_train, feature)
    result = Predict(testset, prior_prob, con_prob, feature)
    print('The result:',result)
main()