KNN python实现

参考网址：https://my.oschina.net/fengcunhan/blog/101281

http://www.cnblogs.com/geniferology/p/what_is_kNN_algorithm.html

 

kNN 的算法就是：

在已知的 data points 中，逐一点检视（把這每一點叫作 P）：
1、首先计算「？」和 P 之间的距离
2、所有距离计算之后，将他们由小至大 sort 好
3、从 sort 好的序列，取最前的 k 个（即距离最接近「？」的 k 个点子）
4、对这 k 个点，读出他们的 label（颜色）是什么，这是问题中已经知道的
5、所有这些 labels（颜色），哪个出现最多？  （亦即是说，最接近「？」的 k 个点子，它们最普遍是什么颜色？）
这出现次数最多的颜色，就是答案

距离算法也有很多种，可以选择一种即可。。

 

from numpy import *
import operator

def classify(inMat,dataSet,labels,k):
    dataSetSize=dataSet.shape[0]
                                   #KNN的算法核心就是欧式距离的计算，一下三行是计算待分类的点和训练集中的任一点的欧式距离
    diffMat=tile(inMat,(dataSetSize,1))-dataSet
    sqDiffMat=diffMat**2
    distance=sqDiffMat.sum(axis=1)**0.5
                                           #接下来是一些统计工作
    sortedDistIndicies=distance.argsort()  #将x中的元素从小到大排列，提取其对应的index(索引)
    classCount={}
    for i in range(k):                     #k =3 训练数据最近的K个点看看这几个点属于什么类型
        labelName=labels[sortedDistIndicies[i]]
        classCount[labelName]=classCount.get(labelName,0)+1;      #get(labelName,0)如果存在键labelName，返回它的value，否则返回0 
    sortedClassCount=sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return sortedClassCount[0][0]

def file2Mat(testFileName,parammterNumber):
    fr=open(testFileName)
    lines=fr.readlines()
    lineNums=len(lines)
    resultMat=zeros((lineNums,parammterNumber))
    classLabelVector=[]
    for i in range(lineNums):
        line=lines[i].strip()
        itemMat=line.split('\t')
        resultMat[i,:]=itemMat[0:parammterNumber]
        classLabelVector.append(itemMat[-1])
    fr.close()
    return resultMat,classLabelVector;
    
#为了防止某个属性对结果产生很大的影响，所以有了这个优化，比如:10000,4.5,6.8 10000就对结果基本起了决定作用
def autoNorm(dataSet):                         #dataset[n*3]
    minVals=dataSet.min(0)                     #数组每列的最小值 minVals[1*3]
    maxVals=dataSet.max(0)                     #数组每列的最小值
    ranges=maxVals-minVals
    normMat=zeros(shape(dataSet))              #全零数组（与原数据数组大小一致）
    size=normMat.shape[0]                      #列数
    normMat=dataSet-tile(minVals,(size,1))     #tile(minVals,(size,1))是等同于dataset大小的n*3数组
    normMat=normMat/tile(ranges,(size,1))      #差距除以范围：比率？
    return normMat,minVals,ranges
def test(trainigSetFileName,testFileName):
    trianingMat,classLabel=file2Mat(trainigSetFileName,3)
    trianingMat,minVals,ranges=autoNorm(trianingMat)  #正则矩阵每个数据减去最小值除以数据变化范围宽度
    testMat,testLabel=file2Mat(testFileName,3)
    testSize=testMat.shape[0]                  #取第一列的维度
    errorCount=0.0
    for i in range(testSize):                  #测试集一个一个数据测试
        result=classify((testMat[i]-minVals)/ranges,trianingMat,classLabel,3)
        if(result!=testLabel[i]):
            errorCount+=1.0
    errorRate=errorCount/(float)(len(testLabel))
    return errorRate;
if __name__=="__main__":
    errorRate=test('train.txt','test.txt')
    print("the error rate is :%f"%(errorRate))

 

训练集&测试集特点（最后一列是标签）：

40920	8.326976	0.953952	3
14488	7.153469	1.673904	2
26052	1.441871	0.805124	1
75136	13.147394	0.428964	1
38344	1.669788	0.134296	1
72993	10.141740	1.032955	1
35948	6.830792	1.213192	3
42666	13.276369	0.543880	3
67497	8.631577	0.749278	1
35483	12.273169	1.508053	3