《机器学习实战》学习笔记 ch2 k-近邻算法(2)

参考博文：

KNN算法：

http://blog.csdn.net/c406495762（非常详细，推荐）

# -*- coding: UTF-8 -*-
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
import operator
"""
函数说明:kNN算法,分类器

Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果

"""


def classify0(inX, dataSet, labels, k):
    # numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    # 在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    # 二维特征相减后平方
    sqDiffMat = diffMat**2
    # sum()所有元素相加,sum(0)列相加,sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    # 开方,计算出距离
    distances = sqDistances**0.5
    # 返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    # 定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        # 取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[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。
        # 计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
    # python3中用items()替换python2中的iteritems()
    # 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)
    # 返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]


"""
函数说明:打开并解析文件，对数据进行分类：1代表不喜欢,2代表魅力一般,3代表极具魅力

Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""


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为空时，默认删除空白符(包括'\n','\r','\t',' ')
        # 截取掉所有回车字符，将整行数据分割为一个元素列表
        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')

        # 将数据的前三列提取出来，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


"""
函数说明:可视化数据

Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类Label
Returns:
    无
Modify:
    2017-03-24
"""


def showdatas(datingDataMat, datingLabels):
         # 设置汉字格式
    font = FontProperties(fname=r"c:\windows\fonts\msyh.ttc", size=14)

    # 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))
    '''
    调用程序包matplotlib.pyplot中的函数subplots()一次性创建包含多个子图的图形，其中
    第1个参数nrows表示每行的子图数；
	第2个参数ncols表示每列的子图数；
	第3个参数sharex表示子图是否共享x轴，默认为否；
	第4个参数sharey表示子图是否共享y轴，默认为否。
    '''

    numberOfLabels = len(datingLabels)
    LabelsColors = []
    for i in datingLabels:
        if i == 1:
            LabelsColors.append('black')
        if i == 2:
            LabelsColors.append('orange')
        if i == 3:
            LabelsColors.append('red')

    # 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'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font)
    axs0_xlabel_text = axs[0][0].set_xlabel(
        u'每年获得的飞行常客里程数', FontProperties=font)
    axs0_ylabel_text = axs[0][0].set_ylabel(
        u'玩视频游戏所消耗时间占', FontProperties=font)
    plt.setp(axs0_title_text, size=9, weight='bold', color='red')
    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs0_ylabel_text, size=7, 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'每年获得的飞行常客里程数与每周消费的冰激淋公升数', FontProperties=font)
    axs1_xlabel_text = axs[0][1].set_xlabel(
        u'每年获得的飞行常客里程数', 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='red')
    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs1_ylabel_text, size=7, 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'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数', FontProperties=font)
    axs2_xlabel_text = axs[1][0].set_xlabel(
        u'玩视频游戏所消耗时间占比', FontProperties=font)
    axs2_ylabel_text = axs[1][0].set_ylabel(
        u'每周消费的冰激淋公升数', FontProperties=font)
    plt.setp(axs2_title_text, size=9, weight='bold', color='red')
    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')

    # 设置图例
    didntLike = mlines.Line2D([], [], color='black', marker='.',
                              markersize=6, label='didntLike')
    smallDoses = mlines.Line2D([], [], color='orange', marker='.',
                               markersize=6, label='smallDoses')
    largeDoses = mlines.Line2D([], [], color='red', 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()


"""
函数说明:对数据进行归一化

Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值

"""


def autoNorm(dataSet):
        # 获得数据的最小值
    minVals = dataSet.min(0)

    # 获得数据的最大值
    maxVals = dataSet.max(0)

    # 最大值和最小值的范围
    ranges = maxVals - minVals

    # shape(dataSet)返回dataSet的矩阵行列数
    normDataSet = np.zeros(np.shape(dataSet))

    # 返回dataSet的行数
    m = dataSet.shape[0]

    # 原始值减去最小值,最小值横向扩展使得列数为m
    normDataSet = dataSet - np.tile(minVals, (m, 1))

    # 除以最大和最小值的差，得到归一化数据
    normDataSet = normDataSet / np.tile(ranges, (m, 1))

    # 返回归一化数据结果，数据范围，最小值
    return normDataSet, ranges, minVals


"""
函数说明:分类器测试函数

Parameters:
    无
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""


def datingClassTest():
    # 打开的文件名
    filename = "datingTestSet.txt"

    # 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], 4)
        """
        normMat[i, :] - 用于分类的数据(测试集)
   	    normMat[numTestVecs:m, :] - 用于训练的数据(训练集)
   	    datingLabels[numTestVecs:m] - 分类标签
        4 - kNN算法参数,选择距离最小的4个点
   	    """

        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))


"""
函数说明:通过输入一个人的三维特征,进行分类输出

Parameters:
    无
Returns:
    无


"""


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("玩视频游戏所耗时间百分比:"))
    ffMiles = float(input("每年获得的飞行常客里程数:"))
    iceCream = float(input("每周消费的冰激淋公升数:"))

    # 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,返回归一化数据结果，数据范围，最小值
    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]))


"""
函数说明:main函数

Parameters:
    无
Returns:
    无

"""


if __name__ == '__main__':
    # 打开的文件名
    #filename = "datingTestSet.txt"
        # 打开并处理数据
    # datingDataMat, datingLabels = file2matrix(filename)
    # print("特征矩阵：")
    # print(datingDataMat)
    # print("标签向量：")
    # print(datingLabels)
    # showdatas(datingDataMat, datingLabels)
    # normDataSet, ranges, minVals = autoNorm(datingDataMat)
    # print(normDataSet)
    # print(ranges)
    # print(minVals)
    # datingClassTest()
    classifyPerson()