模式识别实验1：利用parzen窗函数构造类条件概率并使用最小错误贝叶斯准则判断类别

import pandas as pd
import math

df = pd.read_table("banana.dat", sep=',', skiprows=3)
df.columns = ['At1', 'At2', 'Class']  # 导入数据并添加列名
PosNum = 0  # 样本中类别1的数量
NegNum = 0  # 样本中类别2的数量
PosList = []
NegList = []
# 将样本中两类分类并计数
for i in range(len(df)):
    if df['Class'][i] == 1.0:
        PosNum += 1
        PosList.append(df['At1'][i])
    elif df['Class'][i] == -1.0:
        NegNum += 1
        NegList.append(df['At1'][i])
# 计算先验概率：#F表示先验概率Former
PosPro_F = PosNum / (PosNum + NegNum)
NegPro_F = NegNum / (PosNum + NegNum)


# 建立正态窗函数，输入分别为数据列表，窗宽h，输入量h
def parzen(DataList, h, x):
    sum = 0
    hn = h
    for i in range(len(DataList)):
        sum += math.exp(-(((x - DataList[i]) / hn) ** 2) / 2) / (math.sqrt(2 * math.pi) * hn)
    return sum / len(DataList)


testnum = ''
while testnum != exit:
    testnum = float(input('请输入-3.09-3.19的测试样本值，输入exit退出'))
    if testnum == exit:
        break
    else:
        # 实验数据值的类条件概率密度的取值：N表示Number
        PosPro_N = parzen(PosList, 0.01, testnum)
        NegPro_N = parzen(NegList, 0.01, testnum)
        # 利用贝叶斯公式计算后验概率：L表示Latter
        PosPro_L = PosPro_N * PosPro_F / (PosPro_N * PosPro_F + NegPro_N * NegPro_F)
        NegPro_L = NegPro_N * NegPro_F / (PosPro_N * PosPro_F + NegPro_N * NegPro_F)
        # 取后验概率高的类别为判别对象
        if PosPro_L > NegPro_L:
            print('该物体为类1')
        elif PosPro_L < NegPro_L:
            print('该物体为类2')
        else:
            print('无法判断')