机器学习实战笔记--k近邻算法

 #encoding:utf-8
 from numpy import *
 import operator
 import matplotlib
 import matplotlib.pyplot as plt

 from os import listdir

 def makePhoto(returnMat,classLabelVector):     #创建散点图
     fig = plt.figure()
     ax = fig.add_subplot(111)         #例如参数为349时，参数349的意思是：将画布分割成3行4列，图像画在从左到右从上到下的第9块
     ax.scatter(returnMat[:,1],returnMat[:,2],15.0*array(classLabelVector),15.0*array(classLabelVector))    #前两个函数参数的意义是横坐标和纵坐标
     plt.show()

 def classify0(inX, dataSet, labels, k):    #k近邻算法  inX为分类向量   dataSet为训练数据集   labels为标签列表   k：选择距离最小的k个点
     dataSetSize = dataSet.shape[0]         #获得dataSet的第一维长度
     diffMat = tile(inX, (dataSetSize, 1)) - dataSet    #将向量inX重复1次，共dataSetSize行。然后减去dataSet
     sqDiffMat = diffMat ** 2           #diffMat矩阵的每个元素平方
     sqDistances = sqDiffMat.sum(axis=1)   #按行求和，即求每一行的和,得到一个list
     distances = sqDistances ** 0.5     #对sqDistances的每个元素开方
     sortedDistIndicies = distances.argsort()   #返回distances从小到大的索引
                                                #例如，x=np.array([3.2.1])  np.argsort(x)  得到的结果为array([1.2.0])
     classCount = {}         #python花括号代表代表dict字典数据类型，[]代表list，（）代表元组，(55,)一个值的元组
     for i in range(k):
         voteIlabel = labels[sortedDistIndicies[i]]   #依次取出最小的元素
         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1   #如果存在加1，不存在默认为0
     sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)  #第一个参数为比较的list，第二个参数为比较的对象（这里指的是键值对的value），第三个参数是升序或降序（默认为false（升序排列））
     return sortedClassCount[0][0]   #取得次数最多的key

 def createDataSet():    #创建数据集
     group = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
     labels = ['A', 'A', 'B', 'B']
     return group, labels

 def file2matrix(filename):   #解析文本
     fr = open(filename)
     numberOfLines = len(fr.readlines())  #得到文本的行数
     returnMat = zeros((numberOfLines, 3))  #构造一个行数为文本行数，列数为3的0矩阵
     classLabelVector = []  #标签列表
     fr = open(filename)
     index = 0
     for line in fr.readlines():  #读取文件的每一行
         line = line.strip()      #删除符号，此处参数为空，表示删除空白符
         listFromLine = line.split('\t')   #以\t符号为分隔符
         returnMat[index, :] = listFromLine[0:3]   #将listFromLine的0到3赋值给returnMat的index行
         classLabelVector.append(int(listFromLine[-1]))   #将listFromLine的最后一个元素添加到classLabelVector
         index += 1    #下标加1
     return returnMat, classLabelVector

 def autoNorm(dataSet):          #归一化特征值
     minVals = dataSet.min(0)        #取每列的最小值赋值给minVals，是一个list
     maxVals = dataSet.max(0)         #取每列的最大值赋值给maxVals
     ranges = maxVals - minVals
     normDataSet = zeros(shape(dataSet))
     m = dataSet.shape[0]
     normDataSet = dataSet - tile(minVals, (m, 1))    #取到与最小值的差
     normDataSet = normDataSet / tile(ranges, (m, 1))  #除以范围
     return normDataSet, ranges, minVals

 def datingClassTest():
     hoRatio = 0.50   # 测试用例占用比例
     datingDataMat, datingLabels = file2matrix('datingTestSet2.txt')  # 读取数据
     normMat, ranges, minVals = autoNorm(datingDataMat)   #特征值归一化
     m = normMat.shape[0]
     numTestVecs = int(m * hoRatio)
     errorCount = 0.0
     for i in range(numTestVecs):
         classifierResult = classify0(normMat[i, :], normMat[numTestVecs:m, :], datingLabels[numTestVecs:m], 3)    #第numTestVecs到m是样本数据，前m个是测试数据
         print "the classifier came back with: %d, the real answer is: %d" % (classifierResult, datingLabels[i])   #打印预测值和标签值
         if (classifierResult != datingLabels[i]): errorCount += 1.0
     print "the total error rate is: %f" % (errorCount / float(numTestVecs))
     print errorCount

 #输入某人的信息，便得出对对方喜欢程度的预测值
 def classifyPerson():
     resultList = ['一点也不喜欢', '有点喜欢', '非常喜欢']
     percentTats = float(raw_input("玩视频游戏所耗时间百分比是："))#输入
     ffMiles = float(raw_input("飞行里程数是："))
     iceCream = float(raw_input("每周消费的冰淇淋公升数是："))
     datingDataMat, datingLabels = file2matrix('datingTestSet2.txt') #读入样本文件，其实不算是样本，是一个标准文件
     normMat, ranges, minVals = autoNorm(datingDataMat)#归一化
     inArr = array([ffMiles, percentTats, iceCream])#组成测试向量
     classifierResult = classify0((inArr-minVals)/ranges, normMat, datingLabels,3)#进行分类
     print '你对这种人的看法可能是:', resultList[classifierResult - 1]#打印结果

 def img2vector(filename):    #将图片转化成向量
     returnVect = zeros((1, 1024))
     fr = open(filename)
     for i in range(32):
         lineStr = fr.readline()
         for j in range(32):
             returnVect[0, 32 * i + j] = int(lineStr[j])
     return returnVect

 def handwritingClassTest():
     hwLabels = []
     trainingFileList = listdir('trainingDigits')  # 加载文件夹trainingDigits目录下文件列表
     m = len(trainingFileList)
     trainingMat = zeros((m, 1024))
     for i in range(m):
         fileNameStr = trainingFileList[i]
         fileStr = fileNameStr.split('.')[0]
         classNumStr = int(fileStr.split('_')[0])  #得到标签
         hwLabels.append(classNumStr)    #加入标签列表
         trainingMat[i, :] = img2vector('trainingDigits/%s' % fileNameStr)  #解析文件得到向量
     testFileList = listdir('testDigits')  # 测试数据
     errorCount = 0.0
     mTest = len(testFileList)
     for i in range(mTest):
         fileNameStr = testFileList[i]
         fileStr = fileNameStr.split('.')[0]
         classNumStr = int(fileStr.split('_')[0])
         vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
         classifierResult = classify0(vectorUnderTest, trainingMat, hwLabels, 3)
         print "分类器返回的结果: %d, 真实结果: %d" % (classifierResult, classNumStr)
         if (classifierResult != classNumStr): errorCount += 1.0   #计算得到结果与标签比较
     print "\n错误总数为: %d" % errorCount
     print "\n错误率为: %f" % (errorCount / float(mTest))

 if __name__ == '__main__':
     # print("main")
     # returnMat, classLabelVector = file2matrix('datingTestSet2.txt')
     # #makePhoto(returnMat,classLabelVector)
     # normDataSet, ranges, minVals = autoNorm(returnMat)
     # print(normDataSet)
     # print(ranges)
     # print(minVals)
     #classifyPerson()
     # textVector = img2vector("testDigits/0_13.txt")
     # print textVector[0,0:31]
     handwritingClassTest()