朴素贝叶斯垃圾邮件分类词频统计报KeyError如何解决

触发KeyError的核心原因是词汇表构建阶段的类型转换逻辑写错了：你遍历邮件收集词汇时，给每个单词套了tuple()做转换。
对字符串类型的单词调用tuple()，不会把整个单词包装成单元素元组，而是会把字符串按单个字符拆成字符元组——比如你报错里提到的单词hafta，执行tuple("hafta")得到的结果是('h', 'a', 'f', 't', 'a')，和原字符串"hafta"是完全不同的对象。
这就导致你生成的word_counts_per_email字典，所有键都是这类拆碎的字符元组，根本没有字符串形式的单词键。等到词频统计环节，你拿遍历得到的字符串类型单词去字典里查值，当然找不到对应键，直接抛出KeyError。

删掉多余的tuple转换逻辑就行，修正后的可运行代码：

training_set['E_Mail'] = training_set['E_Mail'].str.split()
vocabulary = []
for email in training_set['E_Mail']:
    for word in email:
        vocabulary.append(word)  # 直接存字符串单词，不要转tuple

vocabulary = list(set(vocabulary))

word_counts_per_email = {unique_word: [0] * len(training_set['E_Mail']) for unique_word in vocabulary}

for index, email in enumerate(training_set['E_Mail']):
    for word in email:
        word_counts_per_email[word][index] += 1

• 如果改完仍偶发键错误，先检查training_set['E_Mail']列是否存在空值（NaN）：pandas的str.split()遇到空值会返回NaN而不是单词列表，遍历到这类条目时会出现非预期的对象类型
• 做词频统计前建议加一步文本预处理：统一把单词转成小写、去除单词首尾附着的标点，避免Hafta、hafta!和hafta被识别成三个独立单词，拉低朴素贝叶斯分类的准确率

内容的提问来源于stack exchange，提问作者Aksoy