kNN分类算法的Python实现

1.k-近邻算法实现 from numpy import * import operator def createDataSet():     group = array([[1.0, 1.1], [2.0, 2.0], [0, 0], [4.1, 5.1]])     labels = ['A', 'B', 'C', 'D']     return group, labels def classify0(inX, dataSet, labels, k):     """     :param inX: 用于分类的输出向量     :param dataSet:输入的样本集     :param labels:标签向量     :param k:用于选择最近邻居的树目     :return:     """     dataSetsize = dataSet.shape[0]  # 得到数据集的行数     diffMat = tile(inX, (dataSetsize, 1)) - dataSet  # tile生成和训练样本对应的矩阵，并与训练样本求差     sqDiffMat = diffMat ** 2     sqDistances = sqDiffMat.sum(axis=1)  # 将矩阵的每一行相加     distances = sqDistances ** 0.5     sortedDistIndicies = distances.argsort()  # 从小到大排序 返回对应的索引位置     classCount = {}     for i in range(k):         voteIlabel = labels[sortedDistIndicies[i]]  # 找到该样本的类型         classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1  # 在字典中将该类型加一     sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)  # reverse = True代表降序     return sortedClassCount[0][0]  # 排序并返回出现最多的那个类型 2.测试 import kNN group,labels = kNN.createDataSet() print(kNN.classify0([0,0],group,labels,3)) print(kNN.classify0([1,2],group,labels,3)) print(kNN.classify0([3,3],group,labels,3)) print(kNN.classify0([5,5],group,labels,3)) 3.实验结果 C A B D 实验环境：Ubuntu18.04+Pycharm+python3.6+numpy