from sklearn.naive_bayes import GaussianNB
+from sklearn.model_selection import train_test_split
+from sklearn.metrics import accuracy_score
+import pandas as pd
+
+
+# 读取数据
+data = {
+ '年龄': ['<=30', '<=30', '31-40', '>40', '>40', '>40', '31-40', '<=30', '<=30', '>40', '<=30', '31-40', '31-40', '>40'],
+ '收入': ['高', '高', '高', '中', '低', '低', '低', '中', '低', '中', '中', '中', '高', '中'],
+ '是否为学生': ['否', '否', '否', '否', '是', '是', '是', '否', '是', '是', '是', '否', '是', '否'],
+ '信誉': ['中', '优', '中', '中', '中', '优', '优', '中', '中', '中', '优', '优', '中', '优'],
+ '购买计算机': ['否', '否', '是', '是', '是', '否', '是', '否', '是', '是', '是', '是', '是', '否']
+}
+df = pd.DataFrame(data)
+
+# 将分类变量转换为数值变量
+df['年龄'] = df['年龄'].map({'<=30': 0, '31-40': 1, '>40': 2})
+df['收入'] = df['收入'].map({'高': 0, '中': 1, '低': 2})
+df['是否为学生'] = df['是否为学生'].map({'是': 0, '否': 1})
+df['信誉'] = df['信誉'].map({'优': 0, '中': 1})
+df['购买计算机'] = df['购买计算机'].map({'是': 0, '否': 1})
+
+# 将数据集分为训练集和测试集，比例为 1：1
+X_train, X_test, Y_train, Y_test = train_test_split(df.iloc[:, :-1], df.iloc[:, -1], test_size=0.5, random_state=40)
+
+# 使用高斯朴素贝叶斯建模
+clf = GaussianNB()
+clf.fit(X_train, Y_train)
+
+# 进行预测
+Y_pred = clf.predict(X_test)
+
+# 输出结果
+print("预测结果：", Y_pred)
+print("实际结果：", Y_test.values)
+print("模型得分：", accuracy_score(Y_test, Y_pred))
+
+