一、KNN的实现

1.预测电影的种类

import numpy as npimport operatordef createDataSet():    group = np.array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])    labels = ['A','A','B','B']    return group, labelsdef classify(inx, dataSet, labels, k):    dataSetsize = dataSet.shape[0]    diffMat = np.tile(inx, (dataSetsize,1)) - dataSet    sqDiffMat = diffMat**2    sqDistances = sqDiffMat.sum(axis=1)    distances = sqDistances**0.5    sortedDistIndicies = distances.argsort()            #argsort返回数组值的从小到大的索引值    classCount = {}    for i in range(k):        voteIlabels = labels[sortedDistIndicies[i]]        #dict.get(key, default=None)        #字典的get，返回键的值，如果不在返回None，这里是返回的数字0，        #字典本来就是空的，当检查到没有该元素的时候，就加一，这正是为何这里的get之后需要加一        classCount[voteIlabels] = classCount.get(voteIlabels,0)+1     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)    return sortedClassCount[0][0]if __name__ == '__main__':    group, labels = createDataSet()    test = [1,2]    test_class = classify(test, group, labels, 3)    print(test_class)

tips:

KNN距离公式如下：

$$L{p}(X{i},Y{i})=(\sum_{i=1}^{n}\left | X{i}^{(l)}-X{j}^{(l)} \right |^{p})^{\frac{1}{p}}$$

对于代码值得注意的地方有 1.np.tile的使用

2.字典get的使用