请你在仅使用 numpy pandas的前提下，手写实现高斯朴素贝叶斯（Gaussian Naive Bayes，GNB），并对给定测试样本输出类别预测。具体流程： 1. 读取数据 • train 字段：二维列表，每行最后一列为类别标签 y∈{0,1}，其余为数值特征 • test 字段：二维列表，仅包含与训练集同维度的特征 2. 参数估计 • 对每个类别 c 计算先验 • 对每个特征计算类条件独立假设下的 均值 与 方差 （总体方差 ddof=0；若方差为 0，令 ） 3. 预测 • 使用对数后验： \Bigl[-\tfrac12\log(2\pi\sigma_{cj}^2)-\frac{(x_j-\mu_{cj})^2}{2\sigma_{cj}^2}\Bigr]" • 取 作为预测标签 4. 结果输出 • 预测值保留整数 01，以 JSON 数组形式一次性输出，顺序与输入 test 保持一致

输入描述:

标准输入为 一行 JSON：    •    n 行训练样本，m 维特征，最后一列为标签    •    所有值均为浮点数 整数，无额外空行

输出描述:

标准输出仅含一行：即测试集中每个样本的预测标签（整数），使用单行 JSON 数组表示。

备注:

1. 流程无需随机数；若实现中使用随机过程，必须固定为 np.random.seed(42)。2. 为确保通过全部测试用例，请使用仅Numpy与Pandas库实现本题。3. 计算方差使用总体方差 (np.var(..., ddof=0))。4. 方差为 0 的特征设为 1e-9 防止除零。