KNN算法的代码实现

# -*- coding: utf-8 -*-
“““
Spyder Editor

This is a temporary script file.
“““

‘‘‘
Created on Sep 16 2010
kNN: k Nearest Neighbors

Input:      inX: vector to compare to existing dataset （1xN）
            dataSet: size m data set of known vectors （NxM）
            labels: data set labels （1xM vector）
            k: number of neighbors to use for comparison （should be an odd number）
            
Output:     the most popular class label

@author: pbharrin
‘‘‘
import numpy
import operator



def createDataSet（）:
    group = numpy.array（[[1.01.1][1.01.0][00][00.1]]）
    labels = [‘A‘‘A‘‘B‘‘B‘]
    return group labels

def classify0（inX dataSet labels k）:
    dataSetSize = dataSet.shape[0]
    diffMat = numpy.tile（inX （dataSetSize1）） - dataSet
    sqDiffMat = diffMat**2
    sqDistances = sqDiffMat.sum（axis=1）
    distances = sqDistances**0.5
    sortedDistIndicies = distances.argsort（）     
    classCount={}          
    for i in range（k）:
        voteIlabel = labels[sortedDistIndicies[i]]
        classCount[voteIlabel] = classCount.get（voteIlabel0） + 1
    
    return sortedClassCount[0][0]
  
if __name__== “__main__“:  
    # 导入数据  
    dataset labels = createDataSet（）  
    inX = [0.1 0.1]  
    # 简单分类  
    className = classify0（inX dataset labels 3）  
    print （‘the class of test sample is %s‘ %className） 


#def file2matrix（filename）:
#    fr = open（filename）
#    numberOfLines = len（fr.readlines（））         #get the number of lines in the file
#    returnMat = numpy.zeros（（numberOfLines3））        #prepare matrix to return
#    classLabelVector = []                       #prepare labels return   
#    fr = open（filename）
#    index = 0
#    for line in fr.readlines（）:
#        line = line.strip（）
#        listFromLine = line.split（‘\t‘）
#        returnMat[index:] = listFromLine[0:3]
#        classLabelVector.append（int（listFromLine[-1]））
#        index += 1
#    return returnMatclassLabelVector
#    
#def autoNorm（dataSet）:
#    minVals = dataSet.min（0）
#    maxVals = dataSet.max（0）
#    ranges = maxVals - minVals
#    normDataSet = numpy.zeros（listdir.shape（dataSet））
#    m = dataSet.shape[0]
#    normDataSet = dataSet - listdir.tile（minVals （m1））
#    normDataSet = normDataSet/listdir.tile（ranges （m1））   #element