ML in action代码学习/CH02 KNN/约会网站配对效果改进

from numpy import *
import operator

分类

def classify0(inX,dataSet,labels,k): #用于分类的是inX，用于训练的是dataSet
    dataSetSize = dataSet.shape[0] # 获取dataSet矩阵的行数
    diffMat =tile(inX,(dataSetSize,1))-dataSet #将行向量inX复制dataSetSize行，求inX与每一个实例之间的距离
    sqDiffMat = diffMat**2 #对距离求平方
    sqDistance = sqDiffMat.sum(axis=1) # 距离平方和 axis=0列相加 =1行相加
    distances = sqDistance**0.5 #开根号
    sortedDistIndicies = distances.argsort() #取距离的索引(从小到大)
    classCount ={} #生成一个用于存放label及其对应次数的字典
    for i in range(k): 
        voteIlabel = labels[sortedDistIndicies[i]] #取前k个距离对应的label
        classCount[voteIlabel] =classCount.get(voteIlabel,0)+1 #取label对应的次数，加1。没有时默认取0加1
    sortedClassCount =sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)
    #这里的知识点有：
    #dict.iteritems() 返回迭代器，占内存少，但是访问慢   ps：dict.item()返回列表，占内存多，访问快
    #operator.itemgetter(item)  返回一个可调用的对象，取操作对象的items 
    #eg：f = itemgetter(2)， call f(r) returns r[2]
    #sorted(iterable[, cmp[, key[, reverse]]])
    # iterable 是进行排序的list或者iterator
    # cmp 是进行比较的函数
    # key是取待排序元素的哪一项进行排序
    # reverse默认为false升序，true为降序
    # https://docs.python.org/2/library/functions.html?highlight=sorted#sorted
    return sortedClassCount[0][0]

数据预处理

def file2matrix(filename):
    fhand = open(filename)
    arrayOfLines = fhand.readlines() 
    # read() 一次性读取成一个字符串，换行显示表示成\n
    # readlines() 一次性读取，按行解析成列表
    # readline() 一次读取一行，没有足够内存一次性读取使用
    numOfLines = len(arrayOfLines)
    returnMat = zeros((numOfLines,3))
    # numpy.zeros(shape, dtype=float, order='C') 返回一个新的array ，可以是list，也可以是mmatrix
    classLabelVector = []
    index = 0
    for line in arrayOfLines:
        line = line.strip() 
        listFromLine = line.split("\t") # 有4个元素，前三个是特征，最后一个是target
        returnMat[index,:] = listFromLine[0:3]
        classLabelVector.append(int(listFromLine[-1])) #用int的原因是元素存储为整形，否则会被python认为是字符串
        index += 1
    return returnMat,classLabelVector

---

reload(knn)
datingDataMat,datingLabels = knn.file2matrix("datingTestSet2.txt")

---

import matplotlib 
import matplotlib.pyplot as plt

fig = plt.figure()  #新建一个Figure画布对象
ax = fig.add_subplot(111)  #将整个画布分成1行1列，在第一个块区域里面生成Axes对象
ax.scatter(xDataSet,yDataSet)
#matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
plt.show()

---

数据归一化

newValue = (oldValue - minValue)/(max-min)

def autoNorm(dataSet):
    minVals = dataSet.min(0) #取每列的最小值，参数为1取行
    maxVals = dataSet.max(0) #取每列的最大值
    ranges = maxVals - minVals   # 区间距离,分母
    normDataSet =zeros(shape(dataSet))  #新建一个同dataSet行列的0阵来存放归一化后的矩阵
    m = dataSet.shape[0] #取行数
    normDataSet = dataSet - tile(minVals,(m,1)) #分子biao'shi'ju'ti'de'zhi'xiang
    normDataSet = normDataSet /tile(ranges,(m,1))  #想起来matlab里面./和/的差别。在numpy中，matrix/matrix只表示
    return normDataSet,ranges,minVals

---

reload(knn)
normMat,ranges,minVals = knn.autoNorm(datingDataMat)

---

测试

def datingClassTest():
    hoRatio = 0.10
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')
    normMat,ranges,minVals = autoNorm(datingDataMat)
    m=normMat.shape[0] # 行数，即样例总数
    numTestVecs = int(m*hoRatio)  #样例的10%作为测试样例
    errorCount=0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs,:],3)
        #测试数据需要随机选择，而数据本身并没有特定的排序，所以可以直接选择前面的10%行来作为测试数据，后面的作为训练集
        print "the classifier came back with:%d,the real answer is %d" % (classifierResult,datingLabels[i])
        #print 输入带精度数字的用法 print "%d/f" %(variable)   %r是万能符
        if(classifierResult!=datingLabels[i]):errorCount +=1.0
    print "the total error rate is %f" % (errorCount/float(numTestVecs))

---

预测函数

def classifyPerson():
    resultList = ["not at all","in small doses","in large doses"] #结果列表
    percenrTats=float(raw_input("percentage of time spent playing video games?")) #输入参数1
    ffMiles = float(raw_input("frequent flier miles earned per year")) #输入参数2
    iceCream = float(raw_input("liters of ice cream consumed per year")) #输入参数3

    datingDataMat,datingLabels = file2matrix("datingTestSet2.txt") #获取训练集，标签
    normMat,ranges,minVals = autoNorm(datingDataMat) # 归一化
    inArr =array([ffMiles,percenrTats,iceCream])  # 输入参数向量化
    classifierResult = classify0((inArr-minVals)/ranges,normMat,datingLabels,3)  #分类
    print "you will probably like this person:",resultList[classifierResult-1]  #输出结果