KNN算法 (K-邻近算法) 基于Python实现

下述代码中knn() 是已经封装好的函数；参数为 dataSet：数据形式(N*M) 矩阵，N表示数据个数，M表示每条数据的维数；labels：N维数组，对应N个数据的标签，可以是数字、字符串；validation：待分类的样本，1*M 数组，M和dataSet的M一致，表示数据维度；K：取周围K个数据对待测样本投票

import numpy as np
import matplotlib.pyplot as plt

K = 4
fight = [3,2,1,101,99,98]
kiss = [104,100,81,10,5,2]
film_type = ['爱情片', '爱情片', '爱情片', '动作片', '动作片', '动作片']

def draw(fight,kiss,film_type=[1,1,1,2,2,2]):
    plt.scatter(fight,kiss,c=film_type)
    plt.xlabel('fight')
    plt.ylabel('kiss')
    plt.title('movie')
    plt.show()

x = np.array([fight,kiss])
x =x.T
y = np.array(film_type)

xx = np.array([18,90])

def KNN(dataSet, labels, validation, K):
    dist = (((validation-dataSet)**2).sum(1))**0.5      # 计算欧式距离
    sortedDist = dist.argsort()     # 返回排序后的索引
    classCount = {}

    for i in range(K):
        voteLabel = labels[sortedDist[i]]
        # .get(voteLabel, 0) 这里的0表示初始值设为0
        classCount[voteLabel] = classCount.get(voteLabel, 0) + 1

    maxType = None
    maxCount = -1
    for key,value in classCount.items():
        if value>maxCount:
            maxType = key
            maxCount = value

    return maxType

print(KNN(x,y,xx,K))
draw(fight,kiss)