机器学习实战——KNN及部分函数注解

书籍：《机器学习实战》中文版
IDE：PyCharm Edu 4.02
环境：Adaconda3  python3.6

本系列主要是代码学习记录，其中设计的理论知识，不做过多解释。书中代码使用的是python2，所以代码会有些许变化，并对其中部分函数进行注解。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
from numpy import *
import operator
from os import listdir
# 例子一：KNN算法
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
group,labels = createDataSet()
def classify0(inX,dataSet,labels,k):
    # 计算inX与训练集之间的距离，并排序
    dataSetSize = dataSet.shape[0]  #行数
    diffMat = tile(inX,(dataSetSize,1))-dataSet
    sqDiffMat = diffMat**2
    sqDistance = sqDiffMat.sum(axis=1)
    distances = sqDistance**0.5
    sortedDistIndicies = distances.argsort()  #返回索引值
    classCount = {}
    #对前K个的标签进行统计
    for i in range(k):
        votelLabel = labels[sortedDistIndicies[i]]
        classCount[votelLabel] = classCount.get(votelLabel,0)+1
    # 对统计的标签数量进行降序排序
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #print(sortedClassCount)
    return sortedClassCount[0][0]
# test = classify0([0,0],group,labels,3)
# print(test)
#例子二:约会数据
# 定义文本读取并转换为矩阵格式的函数
def file2matrix(filename):
    # 得到文件行数，构造矩阵
    fr = open(filename)
    arrayLines = fr.readlines()
    numberOfLines = len(arrayLines)
    returnMat = zeros((numberOfLines,3))
    labelVector = []
    index = 0
    for line in arrayLines:
        line = line.strip()   #去掉每行头尾空白
        # print(line)
        listFromLine = line.split('\t')  #获取列表元素
        returnMat[index,:] = listFromLine[0:3]
        labelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,labelVector
#可视化数据
# data,label = file2matrix('datingTestSet2.txt')
# fig = plt.figure()
# ax = fig.add_subplot(111)
# ax.scatter(data[:,0],data[:,1],c=label)
# plt.show()
# 数据归一化
def autoNorm(dataSet):
    minVals = dataSet.min(0)   #参数0表示求每列的最小值；
    maxVals = dataSet.max(0)
    ranges = maxVals-minVals
    normDataSet = zeros(shape(dataSet))
    m = dataSet.shape[0]
    normDataSet = dataSet-tile(minVals,(m,1))
    normDataSet = normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minVals
# 分类器评估
def datingClassTest():
    ratio = 0.1
    datingData,datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingData)
    m = normMat.shape[0]
    numTest = int(m*ratio)
    errorCount = 0.0
    for i in range(numTest):
        result = classify0(normMat[i,:],normMat[numTest:m,:],datingLabels[numTest:m],3)
        print("the classifier's result: %d,the real answer: %d"\
              % (result,datingLabels[i]))
        if (result!=datingLabels[i]):
            errorCount += 1.0
        print("the total error rate is : %f" % (errorCount/float(numTest)))
#print(datingClassTest())
# 用户使用程序段
def classifyPerson():
    resultList = ['not at all','in small doses','in large doses']
    percentTats = float(input("玩游戏和看视频花费的时间比率？"))
    ffMiles = float(input("飞行里程数？"))
    iceCream = float(input("每周消费的冰淇淋公升数？"))
    datingData,datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingData)
    inArr = array([ffMiles,percentTats,iceCream])
    classierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
    print("You will probably like this person:",resultList[classierResult-1])
#print(classifyPerson())
# 例子三：手写识别系统
def img2vector(filename):
    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
test = img2vector('trainingDigits/0_13.txt')
def handwritingClassTest():
    hwLabels = []
    # 获取目录内容
    trainFileList = listdir('trainingDigits')    #获取目录
    m = len(trainFileList)
    trainMat = zeros((m,1024))
    #从文件名中解析分类数字
    for i in range(m):
        fileNameStr = trainFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        hwLabels.append(classNumStr)
        trainMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)
    testFileList = listdir('testDigits')
    errorCount = 0.0
    mTst = len(testFileList)
    for i in range(mTst):
        fileNameStr = testFileList[i]
        fileStr = fileNameStr.split('.')[0]
        classNumStr = int(fileStr.split('_')[0])
        vectorUnderTest = img2vector('testDigits/%s' % fileNameStr)
        classierResult = classify0(vectorUnderTest,trainMat,hwLabels,3)
        print("分类器结果：%s,实际结果：%s" % (classierResult,classNumStr))
        if (classierResult!=classNumStr):
            errorCount +=1.0
    print("错误总数：%d" % errorCount)
    print("错误率：%f" % (errorCount/float(mTst)))
print(handwritingClassTest())

部分函数注释：
1、二维矩阵函数参数：0代表按列操作；1代表按行操作。
2、numpy shape[0]：矩阵第一维度的长度。
3、numpy tile(A,reps)：根据reps设定的形式，进行重复。比如tile(A,(4,1)) ，结果是4行1列的，其中每一个元素都是A。
4、numpy sum(axis=1)：可以设置参数axis。0表示按列相加，1表示按行相加。
5、numpy argsort()：排序，返回数组值从小到大的索引值。
6、字典对象的get(key,default=None)：返回指定键的值，若给键不存在则返回默认值。
7、内置函数 sorted()：
sort 与 sorted 区别：
sort 是应用在 list 上的方法，sorted 可以对所有可迭代的对象进行排序操作。
list 的 sort 方法返回的是对已经存在的列表进行操作，而内建函数 sorted 方法返回的是一个新的 list，而不是在原来的基础上进行的操作。
sorted(iterable[, cmp[, key[, reverse]]])
参数说明：
iterable -- 可迭代对象。
cmp -- 比较的函数，这个具有两个参数，参数的值都是从可迭代对象中取出，此函数必须遵守的规则为，大于则返回1，小于则返回-1，等于则返回0。
key -- 主要是用来进行比较的元素，只有一个参数，具体的函数的参数就是取自于可迭代对象中，指定可迭代对象中的一个元素来进行排序。key接受一个函数。
reverse -- 排序规则，reverse = True 降序 ， reverse = False 升序（默认）。
operator.itemgetter(1)：operator.itemgetter函数获取的不是值，而是定义了一个函数，通过该函数作用到对象上才能获取值。
                        用于指定获取对象的哪些维的数据。这里指对字典中的value进行排序。


8、readlines()：一次读取全部文本，按行返回，结果为一个列表。
                          一般用for...in..语句获取每一行内容，且常进行操作
                         line = line.strip()   #去掉每行头尾空白
                         listFromLine = line.split('\t')  #获取列表元素
9、matplotlib.pyplot scatter():                                         
具体见 http://blog.csdn.net/anneqiqi/article/details/64125186
scatter(x,y,s=,c=)：
x,y相同长度的数组数据;
s 标量或数组，可选，默认20，散点图每个点的大小
c 色彩序列，可选。

10、numpy min()：
import numpy as np  
a = np.array([[1,5,3],[4,2,6]])  
print(a.min()) #无参，所有中的最小值  
print(a.min(0)) # axis=0; 每列的最小值  
print(a.min(1)) # axis=1；每行的最小值

11、细节问题
for...in.. 中：不用忘记列表生成方法range()
numpy数组对象 array()
图片显示：plt.show()