k近邻算法详解

一、代码

说明：step1、step2是为了方便数据查看；step3、step4可单独运行。
import numpy as np import operator def classify0(inX, dataSet, labels, k): """ 函数说明：kNN算法，分类器 Parameters: inX - 用于分类的数据（测试集）（1*m向量） dataSet - 用于训练的数据（训练集）（n*m向量array） labels - 分类标准（n*1向量array） k - kNN算法参数，选择距离最小的k个点 Returns: sortedClassCount[0][0] - 分类结果 """ # numpy函数shape[0]获取dataSet的行数 dataSetSize = dataSet.shape[0] # 将inX重复dataSetSize次并排成一列,即将inX赋值dataSetSize行、1列 diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet # tile：复制函数 # 矩阵数乘：矩阵对应位置元素相乘（array()函数中矩阵的乘积可以使用np.matmul或者.dot()函数。而星号乘 （*）则表示矩阵对应位置元素相乘，与numpy.multiply()函数结果相同） sqDiffMat = diffMat  2 # 每个元素 2 # sum()所有元素相加，sum(0)列相加，sum(1)行相加 sqDistances = sqDiffMat.sum(axis=1) # 开方，计算出距离 distances = sqDistances  0.5 # 每个元素 0.5 # argsort函数返回的是distances值从小到大排序后的索引值 sortedDistIndicies = distances.argsort() # 定义一个记录类别次数的字典 classCount = { 
   } # 选择距离最小的k个点 for i in range(k): # 取出前k个元素的类别 voteIlabel = labels[sortedDistIndicies[i]] # 字典的get()方法，返回指定键的值，如果值不在字典中返回0 # 计算类别次数 classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1 # python3中用items()替换python2中的iteritems() # key = operator.itemgetter(1)根据字典的值进行排序 # key = operator.itemgetter(0)根据字典的键进行排序 # reverse降序排序字典 sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True) # 返回次数最多的类别，即所要分类的类别 return sortedClassCount[0][0] def file2matrix(filename): """ 函数说明：打开解析文件，对数据进行分类：不喜欢，魅力一般，极具魅力 Parameters: filename - 文件名 Returns: returnMat - 特征矩阵 classLabelVector - 分类label向量 """ with open(filename) as fr: # 读取文件所有内容 arrayOlines = fr.readlines() # 得到文件行数 numberOfLines = len(arrayOlines) # 返回的NumPy矩阵numberOfLines行，3列 returnMat = np.zeros((numberOfLines, 3)) # 创建分类标签向量 classLabelVector = [] # 行的索引值 index = 0 # 读取每一行 for line in arrayOlines: # 去掉每一行首尾的空白符，例如'\n','\r','\t',' ' line = line.strip() # 将每一行内容根据'\t'符进行切片,本例中一共有4列 listFromLine = line.split('\t') # 将数据的前3列进行提取保存在returnMat矩阵中，也就是特征矩阵 returnMat[index, :] = listFromLine[0:3] # 根据文本内容进行分类1：不喜欢；2：一般；3：喜欢 classLabelVector.append(listFromLine[-1]) index += 1 # 返回标签列向量以及特征矩阵 return returnMat, classLabelVector def showdatas(datingDataMat, datingLabels): """ 函数说明：可视化数据 Parameters: datingDataMat - 特征矩阵 datingLabels - 分类Label Returns: None """ from matplotlib.font_manager import FontProperties import matplotlib.lines as mlines import matplotlib.pyplot as plt # 设置汉字格式为14号简体字 font = FontProperties(fname=r"C:\Windows\Fonts\simsun.ttc", size=14) # 将fig画布分隔成1行1列，不共享x轴和y轴，fig画布的大小为（13，8） # 当nrows=2，ncols=2时，代表fig画布被分为4个区域，axs[0][0]代表第一行第一个区域 fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8)) # 获取datingLabels的行数作为label的个数 # numberOfLabels = len(datingLabels) # label的颜色配置矩阵 LabelsColors = [] for i in datingLabels: # didntLike if i == "didntLike": LabelsColors.append('black') # smallDoses if i == "smallDoses": LabelsColors.append('orange') # largeDoses if i == "largeDoses": LabelsColors.append('red') # 图一：每年获得的飞行常客里程数与玩视频游戏所消耗时间占比 # 画出散点图，以datingDataMat矩阵第一列为x，第二列为y，散点大小为15, 透明度为0.5 axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5) # 设置标题，x轴label， y轴label axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font) axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font) axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占比', FontProperties=font) plt.setp(axs0_title_text, size=9, weight='bold', color='red') plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black') # 图二：每年获得的飞行常客里程数与每周消费的冰淇淋公升数 # 画出散点图，以datingDataMat矩阵第一列为x，第三列为y，散点大小为15, 透明度为0.5 axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5) # 设置标题，x轴label， y轴label axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰淇淋公升数', FontProperties=font) axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font) axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰淇淋公升数', FontProperties=font) plt.setp(axs1_title_text, size=9, weight='bold', color='red') plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black') # 图三：玩视频游戏所消耗时间占比与每周消费的冰淇淋公升数 # 画出散点图，以datingDataMat矩阵第二列为x，第三列为y，散点大小为15, 透明度为0.5 axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5) # 设置标题，x轴label， y轴label axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰淇淋公升数', FontProperties=font) axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font) axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰淇淋公升数', FontProperties=font) plt.setp(axs2_title_text, size=9, weight='bold', color='red') plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black') plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black') # 设置图例 didntLike = mlines.Line2D([], [], color='black', marker='.', markersize=6, label='didntLike') smallDoses = mlines.Line2D([], [], color='orange', marker='.', markersize=6, label='smallDoses') largeDoses = mlines.Line2D([], [], color='red', marker='.', markersize=6, label='largeDoses') # 添加图例 axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses]) axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses]) axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses]) # 显示图片 plt.show() def autoNorm(dataSet): """ 函数说明：对数据进行归一化 Parameters: dataSet - 特征矩阵 Returns: normDataSet - 归一化后的特征矩阵 ranges - 数据范围 minVals - 数据最小值 """ # 获取数据的最小值 minVals = dataSet.min(0) # 获取数据的最大值 maxVals = dataSet.max(0) # 最大值和最小值的范围 ranges = maxVals - minVals # numpy函数shape[0]返回dataSet的行数 m = dataSet.shape[0] # 原始值减去最小值（x-xmin） normDataSet = dataSet - np.tile(minVals, (m, 1)) # 差值处以最大值和最小值的差值（x-xmin）/（xmax-xmin） normDataSet = normDataSet / np.tile(ranges, (m, 1)) # 归一化数据结果，数据范围，最小值 return normDataSet, ranges, minVals def datingClassTest(): """ 函数说明：分类器测试函数 Parameters: None Returns: normDataSet - 归一化后的特征矩阵 ranges - 数据范围 minVals - 数据最小值 """ # 测试数据：取所有数据的10% hoRatio越小，错误率越低 hoRatio = 0.10 # 将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中 datingDataMat, datingLabels = file2matrix("datingTestSet.txt") # 数据归一化，返回归一化数据结果，数据范围，最小值 normMat, ranges, minVals = autoNorm(datingDataMat) # 获取normMat的行数 m = normMat.shape[0] # 10%的测试数据的个数 numTestVecs = int(m * hoRatio) # 分类错误计数 errorCount = 0.0 for i in range(numTestVecs): # 前numTestVecs个数据作为测试集，后m-numTestVecs个数据作为训练集 # k选择label数+1（结果比较好） classifierResult = classify0(normMat[i, :], # 遍历数据集前m个样本 normMat[numTestVecs:m, :], # 数据集从m开始为训练样本 datingLabels[numTestVecs:m], # 标签集从m开始为训练样本的真实标签 4) print("分类结果:%s\t真实类别:%s" % (classifierResult, datingLabels[i])) if classifierResult != datingLabels[i]: errorCount += 1.0 print("错误率:%f%%" % (errorCount / float(numTestVecs) * 100)) def classifyPerson(): """ 函数说明：通过输入一个人的三种特征，进行分类输出 Parameters: None Returns: None """ # 三维特征用户输入 percentTats = float(input("每年获得的飞行常客里程数：")) ffMiles = float(input("玩视频游戏所消耗时间百分比：")) iceCream = float(input("每周消费的冰淇淋公升数：")) # 打开数据文件并处理数据 datingDataMat, datingLabels = file2matrix("datingTestSet.txt") # 训练集归一化 normMat, ranges, minVals = autoNorm(datingDataMat) # 生成NumPy数组，测试集 inArr = np.array([percentTats, ffMiles, iceCream]) # 测试集归一化 norminArr = (inArr - minVals) / ranges # 返回分类结果 classifierResult = classify0(norminArr, normMat, datingLabels, 4) # 打印结果 print("你可能%s这个人" % (classifierResult)) if __name__ == '__main__': # step1: 获取数据，格式化数据，图表化 datingDataMat, datingLabels = file2matrix('datingTestSet.txt') print(datingDataMat) print(datingLabels) showdatas(datingDataMat, datingLabels) # step2：数据预处理（归一化） normDataSet, ranges, minVals = autoNorm(datingDataMat) print(normDataSet) print(ranges) print(minVals) # step3：测试算法 datingClassTest() # step4: 个人约会喜好的预测 classifyPerson()