KNN-简单电影测试程序debug

import numpy as np
import operator

"""
Parameters:
   无
returns：
   group  -数据集
   labels -分类标签
"""
#函数说明：创建数据集
def createDataSet():
    #6组二维特征
    group = np.array([[3,104],[2,100],[1,81],[101,10],[99,5],[98,2]
                      ])
    #6组特征的标签
    labels = ['爱情片','爱情片','爱情片','动作片','动作片','动作片']
    return group,labels

"""
Parameters:
 inX  -用于分类的数据（测试集）
 dataSet - 用于训练的数据（训练集）
 labels  -分类标签
 k  - KNN算法参数，选择距离最小的k个点
Returns：
  sortedClassCount[0][0]  -分类结果
"""
#函数说明：KNN算法，分类器
def classfy0(inX,dataSet,labels,k):
    
    dataSetSize = dataSet.shape[0]#np函数shape[0]返回dataSet的行数,读取的是矩阵第一维度的长度
    #在列向量方向上重复inX共1次（横向），行向量方向上重复inX共dataSetSize次（纵向）
    diffMat = np.tile(inX,(dataSetSize,1)) - dataSet
    sqDiffMat = diffMat ** 2#二维特征相减后平方
    sqDistances = sqDiffMat.sum(axis=1)#sum()所有元素相加，sum(0)列相加，sum(1)行相加
    distances = sqDistances ** 0.5#开方，计算出距离
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    
    classCount = {}#定一个记录类别次数的字典
    #选择k个最近邻
    for i in range(k):
        voteIlabel = labels[sortedDistIndices[i]]#取出前k个元素的类别
        #dict.get(key,default=None),字典的get()方法，返回指定键的值，如果值不在字典中返回默认值
        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]


if __name__ == '__main__':
    #创建数据集
    group,labels = createDataSet()
    
    test = [101,20]#测试集
    #KNN分类
    test_class = classfy0(test,group,labels,3)

    #打印分类结果
    print(test_class)

 

 

"""
tile 的用法

b = [1,3,5]
import numpy as np
np.tile(b,[2,3])

#>>>array([[1, 3, 5, 1, 3, 5, 1, 3, 5],
[1, 3, 5, 1, 3, 5, 1, 3, 5]])

argsort返回的是数组值从小到大的索引值

x = np.array([3,1,2])
np.argsort(x)

#>>>array([1, 2, 0], dtype=int64)

"""

 

 

 

 

标签：KNN,group,labels,测试程序,dataSet,np,debug,inX,字典
来源： https://www.cnblogs.com/wex1022/p/14827537.html