#!/usr/bin/python
# -*- coding: UTF-8 -*-
#author:Jiang Yaju
from numpy import *
import operator
from os import listdir
def createDataSet():
group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])
labels=['A','A','B','B']
return group,labels
"""
inX-用于分类的数据（测试集）
dataSet-用于训练的数据（训练集）
labels-分类标签
k-KNN算法参数，选择距离最小的k个点
"""
def classify0(inX,dataSet,labels,k): #k-近邻算法
dataSetSize = dataSet.shape[0]
#numpy函数shape[0]返回dataSet的行数
diffMat = tile(inX,(dataSetSize,1))-dataSet
#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)
#得到特征值之间的差，计算欧氏距离，将输入向量沿行扩展得到差距阵
sqDiffMat = diffMat**2
#二维特征相减后平方
sqDistances = sqDiffMat.sum(axis=1)
#sum()所有元素相加，sum(0)列相加，sum(1)行相加
distances = sqDistances**0.5
#开方，计算出距离
sortedDistIndicies = distances.argsort()
#返回distances中元素从小到大排序后的索引值
classCount={}
#定一个记录类别次数的字典
for i in range(k):
#取出前k个元素的类别
voteIlabel = labels[sortedDistIndicies[i]]
classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
#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
#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)
return sortedClassCount[0][0]
#返回次数最多的类别,即所要分类的类别
#实例1：使用k-近邻算法改进约会网站的配对效果
def file2matrix(filename): #将文本记录转换为Numpy的解析程序
fr=open(filename,'r+')
arrayOLines=fr.readlines()
numberOfLines=len(arrayOLines)
returnMat=zeros((numberOfLines,3))
#初始化一个返回矩阵用于存放样本数据
classLabelVector=[]
#定义一个向量用于存放标签
index=0
for line in arrayOLines: #解析数据到矩阵和向量中去
line=line.strip()
#删除开头和结尾的空白符
listFromLine=line.split('\t')
#split制定分隔符对数据切片
returnMat[index,:] = listFromLine[0:3]
#选取前三个元素（特征）存储在返回矩阵中
classLabelVector.append(int(listFromLine[-1]))
#每一行最后一个元素是标签
index+=1
return returnMat,classLabelVector
def autoNorm(dataSet): #归一化特征值
minVals=dataSet.min(0)
#获得数据的最小值
maxVals=dataSet.max(0)
#获得数据的最大值
ranges=maxVals-minVals
#最大值和最小值的范围
normDataSet=zeros(shape(dataSet))
#shape(dataSet)返回dataSet的矩阵行列数
m=dataSet.shape[0]
#返回dataSet的行数
normDataSet=dataSet-tile(minVals,(m,1))
#原始值减去最小值
normDataSet=normDataSet/tile(ranges,(m,1))
#除以最大和最小值的差,得到归一化数据
return normDataSet,ranges,minVals
#返回归一化数据结果,数据范围,最小值
def datingClassTest(): #分类器针对约会网站的测试代码
hoRatio=0.10
#取所有数据的10%
datingDataMat,datingLabels=file2matrix(r'F:\文档\机器学习实战\machinelearninginaction\Ch02\datingTestSet2.txt')
#打开的文件名
#将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
normMat,ranges,minVals=autoNorm(datingDataMat)
#对数据进行归一化处理
m=normMat.shape[0]
#获得normMat的行数
numTestVecs=int(m*hoRatio)
#百分之十的测试数据的个数
errorCount=0.0
#分类器错误计数
for i in range(numTestVecs):
classifierResult=classify0(normMat[i,:],normMat[numTestVecs:m,:],
datingLabels[numTestVecs:m],3)
#前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
print('the classifier came back with:%d, the real answer is:%d'
%(classifierResult,datingLabels[i]))
if(classifierResult!=datingLabels[i]):
errorCount+=1.0
print('the total error rate is:%f' %(errorCount/float(numTestVecs)))
def classifyPerson(): #约会网站预测函数
resultList=['not at all','in small doses','in large doses']
#输出结果
percentTats=float(input('percentage of time spent playing video games?'))
ffMiles=float(input('frequent flier miles earned per year?'))
iceCream=float(input('liters of ice cream consumed per year?'))
datingDataMat,datingLabels=file2matrix(r'F:\文档\机器学习实战\machinelearninginaction\Ch02\datingTestSet2.txt')
normMat,ranges,minVals=autoNorm(datingDataMat)
#训练集归一化
inArr=array([ffMiles,percentTats,iceCream])
#生成Numpy数组，测试集
classifierResult=classify0((inArr-minVals)/ranges,normMat,datingLabels,3)
#测试集归一化，返回分类结果
print('You will probably like this person:',(resultList[classifierResult-1]))
#实例2：手写识别系统
def img2vector(filename): #准备数据：将图像转换为测试向量
returnVect=zeros((1,1024))
#创建1x1024零向量
fr=open(filename)
for i in range(32):
lineStr=fr.readline()
#按行读取数据
for j in range(32):
returnVect[0,32*i+j]=int(lineStr[j])
#每一行的前32个元素一次添加到returnVect中
return returnVect
#返回转换后的1x1024向量
def handwritingClassTest(): #手写数字识别系统的测试代码
hwLabels=[]
#测试集的标签
trainingFileList=listdir('F:/文档/机器学习实战/machinelearninginaction\Ch02/trainingDigits')
#返回trainingDigits目录下的文件名
m=len(trainingFileList)
#返回文件夹下文件的个数
trainingMat=zeros((m,1024))
#初始化训练的Mat矩阵,测试集
for i in range(m): #从文件名中解析出训练集的类别
fileNameStr=trainingFileList[i]
#获得文件的名字
fileStr=fileNameStr.split('.')[0]
classNumStr=int(fileStr.split('_')[0])
hwLabels.append(classNumStr)
#将获得的类别添加到hwLabels中
trainingMat[i,:]=img2vector('F:/文档/机器学习实战/machinelearninginaction\Ch02/trainingDigits/%s' % (fileNameStr))
#将每一个文件的1x1024数据存储到trainingMat矩阵中
testFileList=listdir('F:/文档/机器学习实战/machinelearninginaction/Ch02/testDigits')
#返回testDigits目录下的文件列表
errorCount=0.0
mTest=len(testFileList)
#测试数据的数量
for i in range(mTest):
#从文件中解析出测试集的类别并进行分类测试
fileNameStr=testFileList[i]
#获得文件的名字
fileStr=fileNameStr.split('.')[0]
classNumStr=int(fileStr.split('_')[0])
#获得分类的数字
vectorUnderTest=img2vector('F:/文档/机器学习实战/machinelearninginaction/Ch02/testDigits/%s' % (fileNameStr))
#获得测试集的1x1024向量,用于训练
classifierResult=classify0(vectorUnderTest,trainingMat,hwLabels,3)
#获得预测结果
print('the classifier came back with: %d, the real answer is:%d'
%(classifierResult,classNumStr))
if(classifierResult!=classNumStr):
errorCount+=1.0
print('the total number of errors is:%d' % errorCount)
print('the total error rate is:%f' % (errorCount/float(mTest)))
