k近邻算法

import numpy as np
import operator
def create_data():
    """创建数据样本"""
    group=np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1],[0,0.2]])
    #样本点
    labels=['A','A','B','B','B']
    #对应的样本类别
    return group,labels
def k_0(inx,group,labels,k):
    """k近邻算法，inx要判别的数据"""
    data_size=group.shape[0]
    #数据大小，即几个样本
    distances=((np.tile(inx,(data_size,1))-group)**2).sum(axis=1)**0.5
    #判别点与样本中每点的距离。tile字面意思是铺开，这里所表现的功能是把inx重复data_size行1列。sum（array，axis）,axis是方向的选择，数列竖着加还是横着加。
    sorted_distances=distances.argsort()
    #把距离从小到大排序
    count={}
    #建立一个字典
    for i in range(k):
    
        vote_label=labels[sorted_distances[i]]
        #前k个距离最短的类别
        count[vote_label]=count.get(vote_label,0)+1
        #把结果插入字典，格式是 ‘类别’：‘计数’
    sorted_count=sorted(count.iteritems(),key=operator.itemgetter(1),reverse=True)
    #将字典排序
    return sorted_count[0][0]
    #取第一个结果