Python实现kNN（k邻近算法）

Python实现kNN（k邻近算法）

运行环境

• Pyhton3
• numpy科学计算模块

计算过程

st=>start: 开始
op1=>operation: 读入数据
op2=>operation: 格式化数据
op3=>operation: 计算测试文本到全部训练文本的距离
op4=>operation: 找出最优的k个距离
op5=>operation: 归一化k个距离
e=>end

st->op1->op2->op3->op4->op5->e

输入样例

/* Dataset.txt */
文本编号	词列表（以空格分隔）	公众"感动"的概率
训练文本1	消防员 冲进 火场 救出 男童	1
训练文本2	消防员 多次 冲进 火场 救人 不幸 身亡	0.5
训练文本3	6旬 老人 跳楼 自杀 身亡	0.1
训练文本4	疑犯 枪杀 出租车 司机	0
训练文本5	医师 误 把 肾脏 当 肝脏 致人 身亡	0
测试文本1	癌症 老人 成功 手术	?
测试文本2	男子 枪杀 老人 后 自杀	?
测试文本3	消防员 冲进 火场 将 男童 救出	?
测试文本4	出租车 司机 免费 搭载 老人	?
测试文本5	医师 误 把 患者 肝脏 捅破 致人 身亡	?

代码实现

# -*- coding: utf-8 -*-
__author__ = 'Wsine'

from numpy import *
import operator
import time

SIZE_OF_DATA = 5
SIZE_OF_TEST = 5

def read_input(filename):
	with open(filename) as fr:
		corpus = []
		for text in fr.readlines()[1:]:
			for word in text.strip().split('\t')[1].split():
				corpus.append(word)
		allwords = set(corpus)

	matN = len(allwords)
	returnMat = zeros((SIZE_OF_DATA + SIZE_OF_TEST, matN))
	shares = []
	index = 0
	with open(filename) as fr:
		for line in fr.readlines()[1:]:
			setFromLine = set(line.strip().split('\t')[1].split())
			oneLine = []
			for s in allwords:
				if s in setFromLine:
					oneLine.append(1)
				else:
					oneLine.append(0)
			returnMat[index, :] = oneLine
			if index < SIZE_OF_DATA:
				shares.append(float(line.strip().split('\t')[-1].strip()))
			index += 1
	return returnMat[:SIZE_OF_DATA,:], returnMat[SIZE_OF_DATA:,:], shares

def norm(inputMat):
	outputMat = inputMat.copy()
	m, n = shape(inputMat)
	for i in range(m):
		lineSum = sum(inputMat[i, :])
		for j in range(n):
			outputMat[i, j] = inputMat[i, j] / lineSum
	return outputMat

def cosSim(a, b):
	inA = mat(a)
	inB = mat(b)
	num = float(inA * inB.T)
	denom = linalg.norm(inA) * linalg.norm(inB)
	return num / denom

def pearsSim(a, b):
	inA = mat(a)
	inB = mat(b)
	if len(inA) < 25:
		return 1.0
	return 0.5 + 0.5 * corrcoef(intA, inB, rowvar=0)[0][1]

def eulidSim(a, b):
	return 1.0 / (1.0 + linalg.norm(a - b))

def classify(k, trainDataSet, testDataSet, dataShares):
	predictShares = []
	for testVector in testDataSet:
		dis = []
		for trainVector in trainDataSet:
			dis.append(linalg.norm(testVector - trainVector)) # 欧式距离
			#dis.append(sum(list(map(abs, testVector - trainVector)))) # 曼哈顿距离
			#dis.append(cosSim(testVector, trainVector)) # 夹角余弦
			#dis.append(pearsSim(testVector, trainVector)) # 皮尔逊相关系数
			#dis.append(eulidSim(testVector, trainVector)) # 归一化欧式距离
		nearest_item = list(range(SIZE_OF_DATA))
		nearest_item.sort(key=lambda x : dis[x])
		indexSum = 0.0
		for index in nearest_item[:k]:
			indexSum += dataShares[index]
		predictShares.append(indexSum / k)
	return predictShares

def main():
	trainMat, testMat, shares = read_input('Dataset.txt')
	normTrainMat = norm(trainMat)
	normTestMat = norm(testMat)
	predictShares = classify(1, normTrainMat, normTestMat, shares)
	print(predictShares)

if __name__ == '__main__':
	main()

输出样例

[0.1, 0.1, 1.0, 0.0, 0.0]