使用Python编写一个自动归类垃圾邮件的脚本

以下是一个使用Python编写的自动归类垃圾邮件的脚本，它使用机器学习算法来对邮件进行分类。该脚本首先会对训练集进行模型训练，并保存训练好的模型。然后，它对测试集中的邮件进行分类，并根据分类结果将邮件归类为垃圾邮件或非垃圾邮件。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取训练集
data = pd.read_csv('spam.csv')

# 分割特征和标签
X = data['text']
y = data['label']

# 特征提取
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = MultinomialNB()
model.fit(X_train, y_train)

# 保存训练好的模型
joblib.dump(vectorizer, 'vectorizer.pkl')
joblib.dump(model, 'model.pkl')

# 加载模型
vectorizer = joblib.load('vectorizer.pkl')
model = joblib.load('model.pkl')

# 对测试集进行分类
test_email = "Congratulations! You've won a free trip to Hawaii. Click here to claim your prize!"
test_email = vectorizer.transform([test_email])
prediction = model.predict(test_email)

# 根据分类结果打印归类结果
if prediction[0] == 0:
    print("The email is not spam.")
else:
    print("The email is spam.")

上述代码中，首先我们使用pandas库读取包含邮件文本和标签的训练集数据。然后，我们使用CountVectorizer将文本转换为向量表示。接下来，我们使用train_test_split函数将训练集划分为训练集和测试集，其中80%的样本用于训练，20%用于评估模型性能。然后，我们使用MultinomialNB来训练模型，并使用joblib库保存训练好的模型。

接下来，我们使用joblib.load函数加载训练好的模型和特征提取器。然后，我们使用transform方法将测试邮件转换为向量表示，并使用训练好的模型对其进行分类。最后，根据分类结果打印归类结果。

上述代码仅提供一个示例，实际应用中还需要根据具体情况进行一些修改和改进。可以尝试使用不同的机器学习算法，调整训练集和测试集的划分比例，尝试不同的特征提取方法等来提高分类准确率。同时，还可以结合其他特征，如邮件主题、发送者等来进一步提高分类效果。