对于Python编写朴素贝叶斯用于文本分类的完整攻略，我将会给出以下步骤：
- 导入所需模块：使用Python开发贝叶斯分类器时，需要使用的主要包括nltk、sklearn、numpy和python自带的re包。其中，nltk是一个自然语言处理的工具包，可以进行文本处理和操作；sklearn包含各种机器学习算法，并提供了分类器模型的训练和分类操作；numpy则是一个支持数值计算的包。
示例代码：
import nltk
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score, classification_report
import numpy as np
import re
- 处理文本数据：将文本数据进行语料预处理，并将其转储为计算机可识别的形式。具体包括分词、去除停用词、词干提取等操作，为了方便，我们可以定义一个函数来实现这些操作。
示例代码：
from nltk.corpus import stopwords
from nltk.stem import SnowballStemmer
stemmer = SnowballStemmer('english')
stop_words = set(stopwords.words('english'))
def text_preprocessing(text):
# 去除标点符号和数字，并转为小写
text = re.sub(r'[^\w\s]', ' ', text.lower())
# 分词
tokens = nltk.word_tokenize(text)
# 去除停用词
tokens = [t for t in tokens if t not in stop_words]
# 词干提取
tokens = [stemmer.stem(t) for t in tokens]
# 以空格分隔并返回预处理后的文本
return ' '.join(tokens)
- 特征提取：使用CountVectorizer实现特征提取，将文本转化为出现次数的数字向量。
示例代码：
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus).toarray()
- 训练分类器：使用MultinomialNB函数对训练数据进行训练，并构建出朴素贝叶斯分类器。
示例代码：
clf = MultinomialNB()
clf.fit(X_train, y_train)
- 测试和评估：对测试数据进行分类，并用准确率和分类报告来评估分类器的性能。
示例代码：
y_pred = clf.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Classification report:\n', classification_report(y_test, y_pred))
这就是Python编写朴素贝叶斯用于文本分类的完整攻略，你可以根据实际情况添加一些处理步骤和调整超参数来提高分类器的性能。