python实现knn算法

刚接触机器学习不久，在看《机器学习实战》，今天将书上的knn算法敲了一遍，上写的很精炼，刚接触python不久的，还没接触过numpy，所以写一个读书笔记。

---

knn属于十大数据挖掘算法中算是比较简单的了。不过作用不小，他是一个监督学习分类器类别的算法，所以需要数据的练习。

• 优点：精度高，对异常数值不敏感，无数据输入假定。
• 缺点：计算复杂度高，空间复杂度高
• 适用数据范围：数值型和标称型

---

什么是knn算法：

简单的说，K-近邻算法就是采用测量不同特征值之间的距离方法来进行分类。它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系，输入没有标签的新数据之后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取出样本集中特征最相似数据的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是K-近邻算法名称的由来。

---

使用Python导入数据
首先创建名为KNN.py的python模块，里面的代码是：

#!/usr/bin/python
# -*- coding: utf-8 -*-

#__author__ = 'Mr Cai'


from numpy import  *
import  operator

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

运行程序
创建一个名为run.py的python模块，我们将要用到KNN.py模块中的函数，所以在run.py中用import KNN导入模块。

• 实现K-近邻算法的一般流程：
  

  （1）计算已知类别数据集中的点与当前点之间的距离
  （2）按照距离递增次序排序
  （3）选取与当前点距离最小的k个点
  （4）确定前k个点所在类别的出现频率
  （5）返回前k个点中出现频率最高的类别作为当前点的预测分类

---

**代码实现run.py**

#!/usr/bin/python
# -*- coding: utf-8 -*-

#__author__ = 'Mr Cai'
from numpy import *
import operator
import KNN

#获取标准
group, labels = KNN.creatrDataSet()

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

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

    #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。矩阵之差
    diffMat = tile(inX, (dataSetSize,1)) - dataSet    #tile(x,(y,z))   将x复制z遍，复制y行

    #矩阵的各个元素分别平方
    sqDiffMat = diffMat**2

    #对应列相乘，即得到了每一个距离的平方
    sqDistances = sqDiffMat.sum(axis=1)   #axis = 0,列相加   axis = 1,行相加

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

    #升序排列
    sortedDistances = distances.argsort()  #从小到大返回排序的索引

    #选择距离最小的k个点。
    classCount = {}
    for i in range(k):
        numOflabel = labels[sortedDistances[i]]
        classCount[numOflabel] = classCount.get(numOflabel,0) + 1 #统计

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

    return sortedClassCount[0][0]

if __name__ == '__main__':
    print classify([0,0],group,labels,3)

---

代码中的知识点总结：

• 字典的get()函数
  字典的get()函数接收两个参数。第一个参数是所要查询的key,第二个则是如果字典中不存在key返回的值。
  例：
  d = {‘key’:’value’}
  print d.get(‘key’, ‘not found’)
  也就是完成了下面的功能：

if d.has_key('key'):    
  print d['key']   
else:   
  print 'not found'   

• 字典的item(),与itemgetter()的区别
  

  python字典的items方法作用：是可以将字典中的所有项，以列表方式返回。如果对字典项的概念不理解，可以查看Python映射类型字典基础知识一文。因为字典是无序的，所以用items方法返回字典的所有项，也是没有顺序的。
  
  python字典的iteritems方法作用：与items方法相比作用大致相同，只是它的返回值不是列表，而是一个迭代器。

例：
>>>x = {'title':'python web site','url':'www.iplaypython.com'}
>>>x.items()
>>>[('url', 'www.iplaypython.com'), ('title', 'python web site')]

例：
>>> f = x.iteritems()
>>> f
<dictionary-itemiterator object at 0xb74d5e3c>
>>> type(f)
<type 'dictionary-itemiterator'>    #字典项的迭代器
>>> list(f)
[('url', 'www.iplaypython.com'), ('title', 'python web site')]

---

• python中的sorted()函数详解
  sorted函数：
  Python内置的排序函数sorted可以对list或者iterator进行排序，官网文档见：http://docs.python.org/2/library/functions.html?highlight=sorted#sorted，该函数原型为：
  sorted(iterable[, cmp[, key[, reverse]]])
  参数解释：
  （1）iterable指定要排序的list或者iterable，不用多说；
  （2）cmp为函数，指定排序时进行比较的函数，可以指定一个函数或者lambda函数，如：
  students为类对象的list，没个成员有三个域，用sorted进行比较时可以自己定cmp函数，例如这里要通过比较第三个数据成员来排序，代码可以这样写：
  students = [(‘john’, ‘A’, 15), (‘jane’, ‘B’, 12), (‘dave’, ‘B’, 10)]
  sorted(students, key=lambda student : student[2])
  （3）key为函数，指定取待排序元素的哪一项进行排序，函数用上面的例子来说明，代码如下：
  sorted(students, key=lambda student : student[2])
  key指定的lambda函数功能是去元素student的第三个域（即：student[2]），因此sorted排序时，会以students所有元素的第三个域来进行排序。
  有了上面的operator.itemgetter函数，也可以用该函数来实现，例如要通过student的第三个域排序，可以这么写：
  sorted(students, key=operator.itemgetter(2))
  sorted函数也可以进行多级排序，例如要根据第二个域和第三个域进行排序，可以这么写：
  sorted(students, key=operator.itemgetter(1,2))
  即先根据第二个域排序，再根据第三个域排序。
  （4）reverse参数就不用多说了，是一个bool变量，表示升序还是降序排列，默认为false（升序排列），定义为True时将按降序排列。

• operator.itemgetter(1)的解释
  因为sorted()函数中的key值需要接收一个函数，这边的意思是按照字典中的第二个参数排序。
  operator.itemgetter函数
  operator模块提供的itemgetter函数用于获取对象的哪些维的数据，参数为一些序号（即需要获取的数据在对象中的序号），下面看例子。

a = [1,2,3] 
>>> b=operator.itemgetter(1)      //定义函数b，获取对象的第1个域的值
>>> b(a) 
2 

>>> b=operator.itemgetter(1,0)  //定义函数b，获取对象的第1个域和第0个的值
>>> b(a) 
(2, 1)

要注意，operator.itemgetter函数获取的不是值，而是定义了一个函数，通过该函数作用到对象上才能获取值。