使用Numpy计算贝叶斯条件概率数组（无循环实现）

条件概率 $P([x]_1=1 | Y=y)$ 的核心逻辑是：在Y等于y的样本集合中，统计$[x]_1$等于1的样本占比。我们可以通过Numpy的布尔索引直接筛选目标子集，再用np.mean或np.sum完成计算，完全不需要for循环。

实现代码 #

import numpy as np

# 定义输入数组
x1 = np.array([1, 0, 1, 0, 1])
Y = np.array([1, 1, 1, 1, -1])

# 计算 P([x]₁=1 | Y=1)
mask_y1 = Y == 1
p_x1_given_y1 = np.mean(x1[mask_y1] == 1)
# 等价写法（用sum计算）：np.sum(x1[mask_y1] == 1) / np.sum(mask_y1)

# 计算 P([x]₁=1 | Y=-1)
mask_y_neg1 = Y == -1
p_x1_given_y_neg1 = np.mean(x1[mask_y_neg1] == 1)
# 等价写法：np.sum(x1[mask_y_neg1] == 1) / np.sum(mask_y_neg1)

print(f"P([x]₁=1|Y=1) = {p_x1_given_y1}")
print(f"P([x]₁=1|Y=-1) = {p_x1_given_y_neg1}")

代码解释 #

1. 布尔掩码筛选：Y == 1会生成一个布尔数组，标记所有Y取值为1的样本位置，同理Y == -1标记Y取值为-1的位置。
2. 子集提取：x1[mask_y1]会直接提取出Y=1对应的所有$[x]_1$值，得到数组[1, 0, 1, 0]；x1[mask_y_neg1]提取出Y=-1对应的$[x]_1$值，得到数组[1]。
3. 概率计算：np.mean(x1[mask] == 1)会将布尔值（True/False）自动转为1/0，计算均值即得到1的占比，也就是条件概率。用np.sum的写法则是直接统计符合条件的样本数，再除以Y=y的总样本数，逻辑完全一致。

运行代码后会输出预期结果：

P([x]₁=1|Y=1) = 0.5
P([x]₁=1|Y=-1) = 1.0

内容的提问来源于stack exchange，提问作者ML NewBie