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 _c = (N_c/N)
• 对每个特征计算类条件独立假设下的 均值 _cj 与 方差 _cj^2 （总体方差 ddof=0；若方差为 0，令 _cj^2 = 1e-9 ）
3. 预测
• 使用对数后验：
log P(c x)=log_c+Σ_j [-12log(2_cj^2) -(x_j-_cj)^22_cj^2]
• 取 _c log P(c x) 作为预测标签
4. 结果输出
• 预测值保留整数 0/1，以 JSON 数组形式一次性输出，顺序与输入 test 保持一致标准输入为 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
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。
{"train": [[1,1,0],[1.1,0.9,0],[4,4,1],[4.2,3.8,1]], "test": [[1,1],[4,4]]}[0, 1]
考点：模拟
限制 3 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
按给定流程实现高斯朴素贝叶斯：类别先验 + 类条件均值/方差（ddof=0，方差为 0 时置 1e-9），用对数后验避免下溢，最后取后验最大的类别。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1
{"train": [[1,1,0],[1.1,0.9,0],[4,4,1],[4.2,3.8,1]], "test": [[1,1],[4,4]]}[0, 1]解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2025年秋招-美团-算法策略端-第二批笔试。