KNN算法对游戏三国志武将的文武官分类

思路：

        通过KNN算法进行分类（标签：0为武官 1为文官）K值固定为5，并且使用的是欧式距离。

测试样本数据：

导入数据：

import pandas as pd
import numpy as np
import math
#导入数据
filepath='sgz.xlsx'
data=pd.read_excel(filepath)

数据集划分：

将整个数据集分成特征值和标签两部分：

#将表格数据划分成特征值和标签
feature_data=data.iloc[:,:-1]
data_label=data.iloc[:,-1]
dataMat = np.mat(feature_data)				# 转化为矩阵形式
labelMat = np.mat(data_label).transpose()	# 转化为矩阵形式
X = np.array(dataMat)                       # 将列表转换成数组
complete_data=np.array(data)

输入用于预测的数据：

# 用于预测的数据
test=np.array(['赵云', 96, 96, 77, 65])    #预测样本 
test=test.astype(object)                   #转换为object类型                  

计算得距离最接近的五个武将：

通过计算欧式距离得出与预测样本最接近的五个武将

dis2=[] #用于存储计算得到的距离

# 将test数组中的索引从1到4的元素转换为整数
for j in range(1,5):
        test[j]=int(test[j])   

# 将X数组中的索引从1到4的元素转换为整数，并计算与test的欧氏距离
for i in range(X.shape[0]):
    for j in range(1,5):
        X[i][j]=int(X[i][j])
    dis = math.sqrt((test[1]-X[i][1])**2+(test[2]-X[i][2])**2+(test[3]-X[i][3])**2+(test[4]-X[i][4])**2)
    dis2.append(dis)

dis2=np.array(dis2)
sorted_indices2 = np.argsort(dis2)  # 获取排序后的索引
top_five = sorted_indices2[:5]  #取排序后前五位的索引

执行判断：

通过判断得出该武将是文官还是武官

# 将top_five索引对应位置的labelMat数组元素转换为整数
sorted_label = labelMat[top_five].astype(int)

# 计算整数数组sorted_label的总和
total_sum = np.sum(sorted_label)

# 5个武将，只要标签值之和小于3的话就是武官否则就是文官
if total_sum < 3:
    print('该武将是武官')
else:
    print('该武将是文官')

将以上各功能封装成函数：

import pandas as pd
import numpy as np
import math

def load_and_process_data(filepath):
    data = pd.read_excel(filepath)
    feature_data = data.iloc[:, :-1]
    data_label = data.iloc[:, -1]
    dataMat = np.mat(feature_data)  # 转化为矩阵形式
    labelMat = np.mat(data_label).transpose()  # 转化为矩阵形式
    X = np.array(dataMat)  # 将列表转换成数组
    complete_data = np.array(data)
    return data, feature_data, data_label, dataMat, labelMat, X, complete_data

def input_warlord_info():
    test_name = input("请输入武将姓名: ")
    test_cmd = int(input("请输入武将统率值: "))
    test_atk = int(input("请输入武将武力值: "))
    test_int = int(input("请输入武将智力值: "))
    test_pol = int(input("请输入武将政治值: "))
    test = np.array([test_name, test_cmd, test_atk, test_int, test_pol], dtype=object)
    return test

def calculate_top_five_distances(test, X):
    dis2 = []  # 用于存储计算得到的距离
    # 将test数组中的索引从1到4的元素转换为整数
    for j in range(1, 5):
        test[j] = int(test[j])
    # 将X数组中的索引从1到4的元素转换为整数，并计算与test的欧氏距离
    for i in range(X.shape[0]):
        for j in range(1, 5):
            X[i][j] = int(X[i][j])
        dis = math.sqrt((test[1]-X[i][1])**2 + (test[2]-X[i][2])**2 + (test[3]-X[i][3])**2 + (test[4]-X[i][4])**2)
        dis2.append(dis)
    dis2 = np.array(dis2)
    sorted_indices2 = np.argsort(dis2)  # 获取排序后的索引
    top_five = sorted_indices2[:5]  # 取排序后前五位的索引

    return top_five

def classify_officer_type(labelMat, top_five):
    # 将top_five索引对应位置的labelMat数组元素转换为整数
    sorted_label = labelMat[top_five].astype(int)

    # 计算整数数组sorted_label的总和
    total_sum = np.sum(sorted_label)

    # 判断武将类型并打印相应信息
    if total_sum < 3:
        print('该武将是武官')
    else:
        print('该武将是文官')

def main():
    filepath = 'sgz.xlsx'
    data, feature_data, data_label, dataMat, labelMat, X, complete_data = load_and_process_data(filepath)
    test = input_warlord_info()
    top5=calculate_top_five_distances(test,X)
    sorted_X = complete_data[top5]
    print('与该武将最接近的5位武将为：')
    print(sorted_X)
    classify_officer_type(labelMat,top5)
if __name__ == "__main__":
    main()

程序执行效果：