（一）机器学习实践Python3-KNN的一个简单案例

代码中【1】【2】参照后面博客

import numpy as np
from operator import itemgetter


def creat_dataset():
    group = np.array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]])
    labels = ['A', 'A', 'B', 'B']
    return group, labels


def classify(inx, dataset, labels, k):
    """
    :param inx: 待分类的输入向量
    :param dataset: 数据集
    :param labels: 标签
    :param k: k参数
    :return: 输入向量的预测类别
    """
    size = dataset.shape[0]
    # 计算欧氏距离
    diffMat = np.tile(inx, (size, 1)) - dataset
    sqDiffMat = diffMat ** 2
    sqDistances = sqDiffMat.sum(axis=1)
    distances = sqDistances ** 0.5
    sortedDistIndicies = distances.argsort()  # 距离从小到大的索引值
    classCount = {}
    # 选择距离最小的K个点
    for i in range(k):
        voteLabel = labels[sortedDistIndicies[i]]
        # 【1】找到字典中voteLabel对应的值，如果不存在则初始化为0，然后+1；如果存在直接加1。
        classCount[voteLabel] = classCount.get(voteLabel, 0) + 1
    # 【2】距离最小的k个点排序, 根据字典值从大到小排序
    sortedClassCount = sorted(classCount.items(), key=itemgetter(1), reverse=True)
    return sortedClassCount[0][0]


if __name__ == '__main__':
    group, labels = creat_dataset()
    # 测试[0, 0]用KNN算法属于哪个类别
    ans = classify([0, 0], group, labels, 3)
    print(ans)

编程参考博客：
【1】【Python】get()函数作用
【2】python3字典的排序