机器学习实战之KNN约会网站匹配系统

from matplotlib.font_manager import FontProperties
import matplotlib.lines as mpl
import matplotlib.pyplot as plt
import numpy as np
import operator
#KNN分类器，inX测试集，dataSet训练集
def classify0(inX, dataSet, labels, k):
    #得到作差后的新数组
    diffmat=inX-dataSet
    sqdiffmat=diffmat**2
    #sum()所有元素相加，sum(0)所有列相加得到新的列表，sum(1)所有行相加
    dis1=sqdiffmat.sum(axis=1)    
    dis=dis1**0.5
    #返回一个列表的顺序排序索引
    sorted_disindex=dis.argsort()   
   #创建空字典
    classCount={}  
    for i in range(k):
        #取出前k个元素的类别
        votelabel = labels[sorted_disindex[i]]
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次
        classCount[votelabel]=classCount.get(votelabel,0) + 1
        # #key=operator.itemgetter(1)根据字典的值进行排序
        #key=operator.itemgetter(0)根据字典的键进行排序
        #reverse降序排序字典
    sortedclassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    return  sortedclassCount[0][0]


#解析约会数据文件，并将数据导入一个numpy矩阵
def file2matrix(filename):
    #打开文件
    fr = open(filename)
    #读取文件所有内容
    arrayOLines = fr.readlines()
    #得到文件行数
    numberOfLines = len(arrayOLines)
    #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
    returnMat = np.zeros((numberOfLines,3))
    #返回的分类标签向量
    classLabelVector = []
    #行的索引值
    index = 0
    for line in arrayOLines:
        #s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
        line = line.strip()
        #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
        listFromLine = line.split('\t')
        #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
        returnMat[index,:] = listFromLine[0:3]
        #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
        if listFromLine[-1] == 'didntLike':
            classLabelVector.append(1)
        elif listFromLine[-1] == 'smallDoses':
            classLabelVector.append(2)
        elif listFromLine[-1] == 'largeDoses':
            classLabelVector.append(3)
        index += 1
    return returnMat, classLabelVector

#数据的初始分析，完整可用程序中也不需要
def showdatas():
    datingDataMat, datingLabels=file2matrix(filename)
    #设置汉字格式,图标题文字
    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc")
    #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
    #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))

    numberOfLabels = len(datingLabels)
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append('red')
        if i == 2:
            LabelsColors.append('orange')
        if i == 3:
            LabelsColors.append('blue')
    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs0_title_text = axs[0][0].set_title(u'飞行里程与玩游戏耗时占比',FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(u'飞行里程程',FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩游戏耗时',FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='black') 
    plt.setp(axs0_xlabel_text, size=8, weight='bold', color='black') 
    plt.setp(axs0_ylabel_text, size=8, weight='bold', color='black')

    #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs1_title_text = axs[0][1].set_title(u'飞行里程与消费冰激淋公升',FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(u'飞行里程',FontProperties=font)
    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
    plt.setp(axs1_title_text, size=9, weight='bold', color='black') 
    plt.setp(axs1_xlabel_text, size=8, weight='bold', color='black') 
    plt.setp(axs1_ylabel_text, size=8, weight='bold', color='black')

    #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
    #设置标题,x轴label,y轴label
    axs2_title_text = axs[1][0].set_title(u'玩游戏耗时与冰激淋公升数占比',FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩游戏耗时',FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(u'消费冰激淋公升数',FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight='bold', color='black') 
    plt.setp(axs2_xlabel_text, size=8, weight='bold', color='black') 
    plt.setp(axs2_ylabel_text, size=8, weight='bold', color='black')
    #设置图例
    didntLike = mpl.Line2D([], [], color='red', marker='.',
                      markersize=6, label='didntLike')
    smallDoses = mpl.Line2D([], [], color='orange', marker='.',
                      markersize=6, label='smallDoses')
    largeDoses = mpl.Line2D([], [], color='blue', marker='.',
                      markersize=6, label='largeDoses')
    #添加图例
    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
    #显示图片
    plt.show()
    
def autoNorm(dataSet):
    #获得数据的最小值
    minVals = dataSet.min(0)
    maxVals = dataSet.max(0)
    #最大值和最小值的范围
    ranges = maxVals - minVals
    #原始值减去最小值
    normDataSet = dataSet - minVals
    #除以最大和最小值的差,得到归一化数据
    normDataSet = normDataSet / ranges
    #返回归一化数据结果,数据范围,最小值
    return normDataSet, ranges, minVals

   ##测试算法的准确性，完整的可用系统里不需要
def datingClassTest():
    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
    datingDataMat, datingLabels = file2matrix(filename)
    #取所有数据的百分之十
    hoRatio = 0.10
    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #获得normMat的行数
    m = normMat.shape[0]
    #百分之十的测试数据的个数
    numTestVecs = int(m * hoRatio)
    #分类错误计数
    errorCount = 0.0
    
    for i in range(numTestVecs):
        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
        classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
            datingLabels[numTestVecs:m], 5)
        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
        if classifierResult != datingLabels[i]:
            errorCount += 1.0
    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))

def classifyPerson():
    #输出结果
    resultList = ['讨厌','有些喜欢','非常喜欢']
    #三维特征用户输入
    precentTats = float(input("玩游戏耗时百分比:"))
    ffMiles = float(input("每年飞行里程数:"))
    iceCream = float(input("每周消费冰激淋公升数:"))
    #打开的文件名
    filename = "datingTestSet.txt"
    #打开并处理数据
    datingDataMat, datingLabels = file2matrix(filename)
    #训练集归一化
    normMat, ranges, minVals = autoNorm(datingDataMat)
    #生成NumPy数组,测试集
    inArr = np.array([precentTats, ffMiles, iceCream])
    #测试集归一化
    norminArr = (inArr - minVals) / ranges
    #返回分类结果
    classifierResult = classify0(norminArr, normMat, datingLabels, 3)
    #打印结果
    print("你可能%s这个人" % (resultList[classifierResult-1]))
   

if __name__ == '__main__':
    filename = "C:/Users/Administrator/Desktop/data/datingTestSet.txt"
    classifyPerson()