第2章 K-近邻算法 程序2-1

创建ch2.py

#k-近邻算法
from numpy import *
import operator

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

创建ch2_1.py

import operator

from numpy import *

import ch2
group,labels=ch2.createDataSet()
print('group:',group)
print('labels:',labels)

def classify0(inX,dataSet,labels,k): #inX:用于分类的输入向量  dataSet:训练的样本集
    dataSetSize=dataSet.shape[0]
    #计算距离 根据欧式距离公式
    diffMat=tile(inX,(dataSetSize,1))-dataSet  #tile(inX,(A,B))  将在行方向上重复inX A次  在列方向重复B次
    sqDiffMat=diffMat**2
    sqDistances=sqDiffMat.sum(axis=1) # axis=1 是将一个矩阵的每一行向量相加
    distances=sqDistances**0.5 #开根号

    sortedDistIndicies=distances.argsort()#将distances中的元素从小到大排列，提取其对应的index(索引)
    classCount={}
    #选择距离最小的k个点
    for i in range(k):
        voteIlabel=labels[sortedDistIndicies[i]]
        classCount[voteIlabel]=classCount.get(voteIlabel,0)+1  #初始值为0  如过classCount中有某个标签则+1
    #排序  将字典中的值从大到小排序
    sortedClassCount=sorted(classCount.items(), #返回可遍历的(键, 值) 元组数组
                            key=operator.itemgetter(1),
                            reverse=True) #reverse = True 降序
    return sortedClassCount[0][0]

if __name__ == '__main__':
   label=classify0([0,0],group,labels,3)
   print('类别:',label)