kNN算法实现，及python库和函数的使用方法回顾

---

这几天看了machine learning in action第一章，还是有所收获的，由于书上代码实现用的是poython2版本，我用的是python3，有些代码存
在一些问题，所以我参考了别人的一些代码片段，自己也做了一些修改，并对书中的k值变化对结果的影响进行的分析和图解，加深对此类算法
的理解。

1.k-近邻算法：
概念：存在一个样本数据集合，也称作样本集，并且每个样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类对应的关系。
一般来说，我们只能选择样本数据集中前k个最相似的数据，这就是k-近邻算法的出处，通常是k不大于20的整数，最后选择k个最相似的数据中出现次数最多的分类，
作为新数据的分类。
流程：收集数据、准备数据、分析数据、训练算法、测试算法、使用算法。
可以将数据用图表的形式分析。
2.每一步的意义以注释的形式标出，可能有一些描述不太到位，欢迎指正：

from numpy import *
import operator
from os import listdir
import matplotlib
import matplotlib.pyplot as plt
def classify0(inX, dataSet, labels, k):#计算欧氏距离，返回最近值标签
    dataSetSize = dataSet.shape[0]#第一维的长度
    diffMat = tile(inX, (dataSetSize,1)) - dataSet #tile 重复inx矩阵，次数为dataSetSize,构成列矩阵
    sqDiffMat = diffMat**2#幂运算
    sqDistances = sqDiffMat.sum(axis=1)#每一行向量相加
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort() #将distances从小到大排列，输出其索引    
    classCount={}   #定义字典      
    for i in range(k):
        voteIlabel = labels[sortedDistIndicies[i]]#贴上标签
        classCount[voteIlabel]= classCount.get(voteIlabel,0)+1#标签votelabel存在则返回对应的值，否则返回0
        #由于python3取消了iteritems函数，所以我使用以下代码实现其功能：
    keys = classCount.keys()#返回所有键信息，存储于key数组中
    vals =classCount.values()#返回所有值信息，存储于vals中
    lst =[(key,val) for key ,val in zip(keys,vals)]
    l=sorted(lst, key=operator.itemgetter(1), reverse=True)#以二维序列的第二个元素做逆排序
    return l[0][0]
def createDataSet():#实例
    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):#读取文件，并进行处理
    fr =open(filename)
    arrayOLines=fr.readlines()#读出文件中的每一行，以矩阵的形式存储
    numberOfLines=len(arrayOLines)
    returnMat =zeros((numberOfLines,3))#构建numberOfLines*3零矩阵
    classLabelVector =[]#建立一个空序列
    index=0
    for line in arrayOLines:
        line =line.strip()#删除开头和结尾的空格等
        listFromLine =line.split('\t')#以空格形式分割，并以序列的形式返回
        returnMat[index]=listFromLine[0:3]#将returnMat矩阵重新赋值，为每一行的1-3个数值
        classLabelVector.append(int(listFromLine[-1]))#存储评价结果，即最后一个数值
        index +=1
    return returnMat,classLabelVector#返回
def autoNorm(dataSet):#归一化数值，并返回
    minVals = dataSet.min(0)#取列的最值构成数min(1)为行最值，下同
    maxVals = dataSet.max(0)
    ranges =maxVals - minVals
    normDataSet = zeros(shape(dataSet))构造dataset相同的零矩阵
    m = dataSet.shape[0]#dataSet的行数
    normDataSet = dataSet - tile(minVals,(m,1))
    normDataSet = normDataSet/tile(ranges,(m,1))
    return normDataSet,ranges,minVals
def datingClassTest():#测试
    hoRatio =0.1
    datingDataMat,datingLabels =file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals =autoNorm(datingDataMat)
    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],5)
        print(classifierResult)
        print('the classifier came back with : {},the real answer is: {}'.format (classifierResult,datingLabels[i]))
        if (classifierResult != datingLabels[i]): errorCount +=1.0
    print("the total error rate is :%f" % (errorCount/float(numTestVecs)))
    print (errorCount)
def classifyPerson():#预测，输入相关参数，构造矩阵，调用分类函数
    resultList = ['not at all' , 'in small doses','in large doses']
    percentTats = float(input("percentage of time spent playing video games?"))
    ffMiles = float(input("frequent fliters of ice cream consumed per year?"))
    iceCream = float(input("liters of ice cream consumed per year?"))
    datingDataMat ,datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges ,minVals = autoNorm(datingDataMat)
    inArr = array([ffMiles,percentTats,iceCream])
    classifierResult = classify0((inArr - minVals)/ranges,normMat,datingLabels,3)
    print("you will probably like this person:", resultList[classifierResult-1])
#手写识别系统
def img2vector(filename):
    returnVect =zeros((1,1024))#一行，1024列零矩阵
    fr = open(filename)
    for i in range(32):
        lineStr =fr.readline()#读取一行
        for j in range(32):
            returnVect[0,32*i+j] = int(lineStr[j])#每一行前32个数字存储于returnVect中，共1024个数字
    return returnVect
def handwritingClassTest():
    hwLabels = []#构造空序列
    trainingFileList = listdir('trainingDigits')#获取文件目录
    m= len(trainingFileList)#目录下的文件数
    trainingMat = zeros((m,1024))#m行，1024列
    for i in range(m):#文件名的命名方式有要求
        fileNameStr = trainingFileList[i]
        fileStr = fileNameStr.split('.')[0]#分割文件名
        classNumStr = int(fileStr.split('_')[0])#分割文件名
        hwLabels.append(classNumStr)#增加到序列里作为已知的标签
        trainingMat[i,:] = img2vector('trainingDigits/%s' % fileNameStr)打开训练数据，并用img2vector方法处理数据
    testFileList = listdir('testDigits')#listdir函数获取当前目录下的文件
    errorCount=0.0
    mTest = len(testFileList)
    print(mTest)
    #下面程序作了修改，我取k范围1-9，整个函数循环九次，得到了九个错误率值，并绘出错误率-k的函数图像。由于文件比较多，所以运行速度有点慢。
    lst=[]
    lst1=[(k) for k in range(0,10)]#0-9
    for j in range(1,10):
        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,lst1[j])
            print('the classifier came back with: {},the real answer is: {}'.format(classifierResult,classNumStr))
            if (classifierResult != classNumStr):
                errorCount +=1.0
        lst.append(errorCount/float(mTest))
        print(lst)
    fig = plt.figure()
    ax = fig.add_subplot(111)
    ax.plot(lst1[1:10],lst)
    plt.show()