在Qt中调用python,读取csv文件，实现K近邻算法(四)

目录：

1.从Qt中调用py脚本里的一个无参函数，功能：打印"hello python"

　　a)相关配置

　　b)踩过的一些坑

2.从Qt中调用py脚本里的一个有参函数并接收返回值 ，功能：实现 return a+b

3.从py中读取csv文件，并进行一些切片分类处理

4.在py中编写K近邻算法

 

 

继续上一篇利用Qt调用py脚本处理csv,接下来讲讲分类后的csv数据怎么利用呢？

直接先把py代码贴出来，由于有了前面几篇文章的基础，再加上我在重要的地方都加了注释，不懂的可以留言我，我看到了一定会回复的。

from math import sqrt

class KNN:
    def __init__(self,k):
        self.k = k

    def fit(self,trainX,trainY):
        self.trainX=trainX
        self.trainY=trainY

    def distance(self,x,y):
        # 距离度量
        res = 0.0
        for i in range(len(x)):
            res += abs(int(x[i])-int(y[i]))**2
#            print(i)#测试
        res = sqrt(res)
        return res

    def findKN(self,dist):
        # 找到距离最近的K个节点
        def fun(a):
            return a[1]
        indexed_dist = [ [v,k] for v,k in enumerate(dist)]
        new_dist = sorted(indexed_dist,key=fun)
        res = []
        # 如果训练数据数量小于k的处理
        if len(new_dist) > self.k:
            for i in range(self.k):
                res.append(new_dist[i][0])
        else:
            for i in new_dist:
                res.append(i[0])
        return res

    def predicate(self,testX):
        label = []
        for test in testX:
            dist = []
            # 计算当前节点到所有节点的距离
            for k,v in enumerate(self.trainX):
                dist.append(self.distance(v,test))
            # 找到最近的K个节点
            kn = self.findKN(dist)
            nnl = []
            for i in kn:
                nnl.append(self.trainY[i])
            nnl.sort()
            res = [ 1 ,nnl[0]]
            # 找到出现次数最多的类别
            for i in range(1,len(nnl)):
                if nnl[i] == res[1]:
                    res[0]+=1
                else:
                    res[0] -= 1
                    if res[0] <= 0:
                        res[0] = 0
                        res[1] = nnl[i]
            label.append(res[1])
        return label
def func2():import string import csv
    #加载csv包便于读取csv文件
    csv_file=open("10.csv")    #打开csv文件
    csv_reader_lines = csv.reader(csv_file)   #逐行读取csv文件
    data=[]    #创建列表准备接收csv各行数据
    label=[]    #标签
    renshu = 0
    for one_line in csv_reader_lines:
        data.append(one_line[1:4])#切片 1-3列
        label.append(one_line[4:5])#切片 第四列
#    print(data)#测试 x y z是否放入
#    print(label)#测试 类别是否放入
    knn = KNN(8)
    knn.fit(data,label)
    # 测试数据
    testX = [[1700,1847,1887],[1787,2295,1887],[2047,2038,1658]]#8.csv中的数据 7 4 1
    res = knn.predicate(testX)
    print(res)

main.cpp基本不怎么改，就用打印hello的那个，注意这里我的函数名变了，不要直接复制了。

 

qmake 编译 运行

我用的是10.csv中的一万多条数据作为样本集，用8.csv中的几条数据作为测试集，发现后面两个预测对了，第一个不对，应该再去调一下k的参数，把错误率降到最低，或者是使用更加完善的K近邻算法。

转载于:https://www.cnblogs.com/Laohou/p/10636681.html