k-近邻算法-python实现

K-近邻算法
内容
* K近邻分类算法
* 从文本文件中解析和导入数据
* 使用Matplotlib创建扩散图
* 归一化数值

概述：
K近邻算法采用测量不同的特征值之间的距离方法进行分类。
优点：精度高、对异常值不敏感、无数据输入假定
缺点：计算复杂度高、空间复杂度高。
使用数据范围：数值型和标称型。

工作原理：
存在一个样本数据集合（训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系）输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来讲，我们只选择样本数据集中的前k个最相似的数据，这就是k怎么来的，并且k<=20（一般情况下），最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

算法流程：
1.收集数据：可以使用任何方法。
2.准备数据：距离计算所需要的数值。最好是结构化的数据格式。
3.分析数据：可以使用任何方法。
4.训练算法：此步骤不适用于k近邻算法。
5.测试算法：计算错误率。
6.使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k近邻算法判定输入数据分别属于哪个分类，最后应用对计算出的分类执行后续的处理。

准备：导入数据

#kNN.py文件
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

进入python开发环境之后，输入下面的命令导入上面编辑的程序模块：

>>>import kNN

上述命令导入kNN模块。为了确保输入相同的数据集，kNN模块中定义了函数createDataSet，在python命令提示符下输入下属命令：

>>>group, labels = kNN.createDataSet()

上面命令创建了变量group和labels，在python命令提示符下输入下列命令，输入变量的名字以检验是否正确地定义变量：

>>>group
Array([1.0, 1.1], 
 [1.0, 1.0], 
 [0, 0], 
 [0, 0.1])
>>>labels
['A', 'A', 'B', 'B']

在上面的代码，我们导入了两个模块：
第一个是科学计算包numpy
第二个是运算符模块，K近邻算法执行排序操作时将使用这个模块提供的函数，后面进一步去说明。

实施kNN分类算法
伪代码：
对未知类别属性的数据结构中的每个点依次执行以下操作：
1.计算已知类别数据集中的点与当前点之间的距离；
2.按照距离递增次序排序；
3.选取与当前点距离最小的k个点；
4.确定前k个点所在类别的出现频率；
5.返回前k个点出现频率最高的类别作为当前点的预测分类。

Python函数classify0()

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    #①(以下三行)距离计算
    diffMat = title(inX ,(dataSetSize, 1)) - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort()
    classCount = {}
    #②(以下两行)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
    sortedClassCount = sorted(classCount.iteritems(),
        #③排序
        key=operator.iteritems(1), reverse=True)
        return sortedClassCount[0][0]

Classify0()函数有4个参数：用于分类的输入向量是inX，输入的训练样本集为dataSet，标签向量labels，最后的参数k表示用于选择最近邻的数目，其中标签向量的元素数目和矩阵dataSet的行数相同，程序中使用欧氏距离公式，计算来那个向量点xA和xB之间的距离：
计算完所有点之间的距离后，可以对数据按照从小到大次序排序。然后，确定前k个距离最小元素所在的主要分类，输入k总是正整数；最后classCount字典分解为元组列表，使用程序第二行导入的运算符模块的itemgetter方法，按照第二个元素的次序对元组进行排序。此处的排序为逆序，即按照从最大到最小次序排序，最后返回发生频率最高的元素标签。

为了预测数据所在分类，在python提示符中输入下列命令：

>>>kNN.classify0([0, 0], group, labels, 3)

输出结果是B，也可以改变输入的值，测试程序运行的结果。
到目前为止，已经构造了第一个分类器，使用这个分类器可以完成很多分类任务。