python中从头开始的朴素贝叶斯，结果为'；进程已完成，退出代码为0'；

我是PyCharm的新手，我在网上发现了两个关于分类技术的代码，使用朴素贝叶斯分类。此代码没有错误。但是我可以看到结果，即使我使用

print（）

。我正在使用库虹膜数据集。这是我的密码

import csv
import math
import random
import pandas as pd
from sklearn import datasets

def loadCsv(filename):
    #lines = csv.reader(open(r'E:\KULIAH\TUGAS AKHIR\MachineLearning\kananniih.csv'))
    lines = datasets.load_iris()
    print(lines)
    dataset = list(lines)
    for i in range(len(dataset)):
        dataset[i] = [float(x) for x in dataset[i]]
        return dataset;

#spliit dataa
def splitDataset(dataset, splitRatio):
    trainSize = int(len(dataset) * splitRatio)
    trainSet = []
    copy = list(dataset)
    while len(trainSet) < trainSize:
        index = random.randrange(len(copy))
        trainSet.append(copy.pop(index))
        return [trainSet, copy]

#dikumpulkan berdasar kelas
def separateByClass(dataset):
    separated = {}
    for i in range(len(dataset)):
        vector = dataset[i]
        if (vector[-1] not in separated):
            separated[vector[-1]] = []
            separated[vector[-1]].append(vector)
            return separated

#hitung mean
def mean(numbers):
    return sum(numbers)/float(len(numbers))

#hitung standard deviasi
def stdev(numbers):
    avg = mean(numbers)
    variance = sum([pow(x-avg,2) for x in numbers])/float(len(numbers)-1)
    return math.sqrt(variance)

#hitung jumlah dataset
def summarize(dataset):
    summaries = [(mean(attribute), stdev(attribute)) for attribute in zip(*dataset)]
    del summaries[-1]
    return summaries

#hitung atribut tiap kelas
def summarizeByClass(dataset):
    separated = separateByClass(dataset)
    summaries = {}
    for classValue, instances in separated.items():
        summaries[classValue] = summarize(instances)
        return summaries

#hitung Gaussian PDF
def calculateProbability(x, mean, stdev):
    exponent = math.exp(-(math.pow(x-mean,2)/(2*math.pow(stdev,2))))
    return (1/(math.sqrt(2*math.pi)*stdev))*exponent

#hitung probabilitas kelas
def calculateClassProbabilities(summaries, inputVector):
    probabilities = {}
    for classValue, classSummaries in summaries.items():
        probabilities[classValue] = 1
        for i in range(len(classSummaries)):
            mean, stdev = classSummaries[i]
            x = inputVector[i]
            probabilities[classValue] *= calculateProbability(x, mean, stdev)
            return probabilities

#make prediction
def predict(summaries, inputVector):
    probabilities = calculateClassProbabilities(summaries, inputVector)
    bestLabel, bestProb = None, -1
    for classValue, probability in probabilities.items():
        if bestLabel is None or probability > bestProb:
            bestProb = probability
            bestLabel = classValue
            return bestLabel

#make prediction
def getPredictions(summaries, testSet):
    predictions = []
    for i in range(len(testSet)):
        result = predict(summaries, testSet[i])
        predictions.append(result)
        return predictions

#get accurancy
def getAccuracy(testSet, predictions):
    correct = 0
    for i in range(len(testSet)):
        if testSet[i][-1] == predictions[i]:
            correct += 1
            return (correct / float(len(testSet))) * 100.0

def main():
    filename = datasets.load_iris()
    splitRatio = 0.67
    dataset = loadCsv(filename)
    print(dataset)
    trainingSet, testSet = splitDataset(dataset, splitRatio)
    print(('Split {0} rows into train={1} and test={2} rows').format(len(dataset), len(trainingSet),len(testSet)))
    # prepare model
    summaries = summarizeByClass(trainingSet)
    # test model
    predictions = getPredictions(summaries, testSet)
    accuracy = getAccuracy(testSet, predictions)
    print(('Accuracy: {0}%').format(accuracy))
    main()

导入csv
输入数学
随机输入
作为pd进口熊猫
从sklearn导入数据集
def loadCsv（文件名）：
#lines=csv.reader（打开（r'E:\KULIAH\TUGAS-AKHIR\MachineLearning\kanannih.csv'））
行=数据集。加载\u iris（）
打印（行）
数据集=列表（行）
对于范围内的i（len（数据集））：
数据集[i]=[数据集[i]中x的浮点（x）]
返回数据集；
#spliit dataa
def splitDataset（数据集，拆分比率）：
列车大小=整数（长度（数据集）*拆分比率）
列车组=[]
复制=列表（数据集）
而len（列车组）<列车尺寸：
索引=随机。随机范围（len（副本））
列车组追加（复制.弹出（索引））
返回[列车组，副本]
#迪库姆普尔坎-贝尔达萨群岛
def separateByClass（数据集）：
分离={}
对于范围内的i（len（数据集））：
向量=数据集[i]
如果（向量[-1]未分隔）：
分离的[向量[-1]]=[]
分隔的[vector[-1]]。追加（vector）
分开返回
#hitung mean
def平均值（数字）：
返回和（数字）/浮动（长度（数字））
#希通标准设备
def stdev（编号）：
平均值=平均值（数字）
方差=总和（[pow（x-avg，2）表示x个数字]）/float（len（数字）-1）
返回math.sqrt（方差）
#hitung jumlah数据集
def汇总（数据集）：
摘要=[（平均值（属性）、标准偏差（属性））用于zip（*数据集）中的属性]
del摘要[-1]
报税表摘要
#hitung atribut tiap kelas
def SummaryByClass（数据集）：
separated=separateByClass（数据集）
摘要={}
对于classValue，在分离的.items（）中的实例：
摘要[classValue]=摘要（实例）
报税表摘要
#希东高斯PDF
def计算概率（x，平均值，标准差）：
指数=math.exp（-（math.pow（x-mean，2）/（2*math.pow（stdev，2）））
返回（1/（数学sqrt（2*数学pi）*标准差））*指数
#希东概率
def计算分类概率（摘要、输入向量）：
概率={}
对于classValue，在summaries.items（）中选择classSummaries：
概率[类别值]=1
对于范围内的i（len（类摘要））：
平均值，stdev=classSummaries[i]
x=输入向量[i]
概率[classValue]*=计算概率（x，平均值，标准差）
返回概率
#预测
def预测（摘要、输入向量）：
概率=计算的分类概率（摘要、输入向量）
bestLabel，bestProb=无，-1
对于classValue，概率中的概率。items（）
如果bestLabel为无或概率>bestProb：
bestProb=概率
bestLabel=classValue
返回最佳标签
#预测
def getPredictions（摘要、测试集）：
预测=[]
对于范围内的i（len（testSet））：
结果=预测（摘要，测试集[i]）
预测。追加（结果）
回归预测
#准确
def GetAccurance（测试集、预测）：
正确=0
对于范围内的i（len（testSet））：
如果测试集[i][1]==预测[i]：
正确+=1
返回（正确/浮动（len（testSet）））*100.0
def main（）：
filename=dataset.load_iris（）
分流比=0.67
dataset=loadCsv（文件名）
打印（数据集）
trainingSet，testSet=splitDataset（dataset，splitRatio）
打印（'Split{0}行为train={1}和test={2}行'）。格式（len（数据集）、len（训练集）、len（测试集）））
#准备模型
摘要=摘要周期类（培训集）
#测试模型
预测=获取预测（摘要、测试集）
精度=获取精度（测试集、预测）
打印（（'accurity:{0}%'）。格式（accurity））
main（）

你们能帮帮我吗？非常感谢！

---

向你问好，Eliya

对不起，我打错了。我的意思是我看不到结果不要缩进最后一行：

main（）

。