kNN代码

伪码：
#（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个点中出现频率最高的类别作为当前点的预测分类

代码：
def classify0(inX,dataSet,labels,k):
dateSetsize=dataSet.shape[0] #计算行数，0表示行，1表示列
diffMat=tile(inX,(dateSetsize,1))-dataSet
sqDiffMat=diffMat**2
sqDistances=sqDiffMat.sum(axis=1) #=1 表示矩阵中行求和，=0表示列求和
distances=sqDistances**0.5
sortedDistIndicies=distances.argsort() #对数组进行非降序排列
classCount={}
for i in range(k):
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel]=classCount.get(voteIlabel,0)+1 #确定前K个点出现的频率
sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True) ##排序
##key=operator.itemgetter(1) 定义函数key，获取对象的第1个域的值
return sortedClassCount[0][0]