Machine Learning in Action-chapter2-k近邻算法

一.numpy()函数

   1.shape[]读取矩阵的长度

   例：

import numpy as np
x = np.array([[1,2],[2,3],[3,4]])
print x.shape         //输出行列数 （3,2）
print x.shape[0]    //输出行数 3
print x.shape[1]    //输出列数 2

2.tile()函数

形式为tile(A,reps)

reps的数字从后往前分别对应A的第N个维度的重复次数。如tile（A,2）表示A的第一个维度重复2遍，tile（A,(2,3)）表示A的第一个维度重复3遍，然后第二个维度重复2遍，tile（A,(2,2,3)）表示A的第一个维度重复3遍，第二个维度重复2遍，第三个维度重复2遍。

例:

A=[1,2]
print '-----------tile(A,2)--------------'
print tile(A,2)
print '-----------tile(A,(2,2))----------'
print tile(A,(2,2))
print '-----------tile(2,2,3)------------'
print tile(A,(2,2,3))

　　输出结果为：

       

3.sum()函数

没有axis参数表示全部相加，axis＝0表示按列相加，axis＝1表示按照行的方向相加

例：

import numpy as np
x = np.array([[1,2,3],[4,5,6]])
k = x.sum()
k0 = x.sum(axis=0)
k1 = x.sum(axis=1)
print k
print k0
print k1

　　输出结果为：

   

4.argsort()函数

返回的是数组值从小到大的索引值

例：>>> x = np.array([3, 1, 2])
     >>> np.argsort(x)
     array([1, 2, 0])

-------------------------------k近邻算法源代码---------------------------------

def classify0(inX, dataSet, labels, k):
    dataSetSize = dataSet.shape[0]
    diffMat = tile(inX, (dataSetSize, 1)) - 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(voteIlabel, 0) + 1
    sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True)
    #sortedClassCount = sorted(classCount.iteritems(), key=lambda classCount:classCount[1], reverse=True)
    return sortedClassCount[0][0]

　　

inX:输入向量

dataSet：训练样本

labels:标签向量