python 自定义函数计算相应在不同k值时的cp值_python k-近邻算法实例分享

# -*- coding: cp936 -*-

#win系统中应用cp936编码，linux中最好还是utf-8比较好。

from numpy import *#引入科学计算包

import operator #经典python函数库。运算符模块。

#创建数据集

def createDataSet():

group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])

labels=['A','A','B','B']

return group,labels

#算法核心

#inX：用于分类的输入向量。即将对其进行分类。

#dataSet：训练样本集

#labels:标签向量

def classfy0(inX,dataSet,labels,k):

#距离计算

dataSetSize =dataSet.shape[0]#得到数组的行数。即知道有几个训练数据

diffMat     =tile(inX,(dataSetSize,1))-dataSet#tile:numpy中的函数。tile将原来的一个数组，扩充成了4个一样的数组。diffMat得到了目标与训练数值之间的差值。

sqDiffMat   =diffMat**2#各个元素分别平方

sqDistances =sqDiffMat.sum(axis=1)#对应列相乘，即得到了每一个距离的平方

distances   =sqDistances**0.5#开方，得到距离。

sortedDistIndicies=distances.argsort()#升序排列

#选择距离最小的k个点。

classCount={}

for i in range(k):

voteIlabel=labels[sortedDistIndicies[i]]

classCount[voteIlabel]=classCount.get(voteIlabel,0)+1

#排序

sortedClassCount=sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)

return sortedClassCount[0][0]