机器学习实战之KNN约会网站匹配系统

  1 from matplotlib.font_manager import FontProperties
  2 import matplotlib.lines as mpl
  3 import matplotlib.pyplot as plt
  4 import numpy as np
  5 import operator
  6 #KNN分类器，inX测试集，dataSet训练集
  7 def classify0(inX, dataSet, labels, k):
  8     #得到作差后的新数组
  9     diffmat=inX-dataSet
 10     sqdiffmat=diffmat**2
 11     #sum()所有元素相加，sum(0)所有列相加得到新的列表，sum(1)所有行相加
 12     dis1=sqdiffmat.sum(axis=1)    
 13     dis=dis1**0.5
 14     #返回一个列表的顺序排序索引
 15     sorted_disindex=dis.argsort()   
 16    #创建空字典
 17     classCount={}  
 18     for i in range(k):
 19         #取出前k个元素的类别
 20         votelabel = labels[sorted_disindex[i]]
 21         #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
 22         #计算类别次
 23         classCount[votelabel]=classCount.get(votelabel,0) + 1
 24         # #key=operator.itemgetter(1)根据字典的值进行排序
 25         #key=operator.itemgetter(0)根据字典的键进行排序
 26         #reverse降序排序字典
 27     sortedclassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
 28     return  sortedclassCount[0][0]
 29 
 30 
 31 #解析约会数据文件，并将数据导入一个numpy矩阵
 32 def file2matrix(filename):
 33     #打开文件
 34     fr = open(filename)
 35     #读取文件所有内容
 36     arrayOLines = fr.readlines()
 37     #得到文件行数
 38     numberOfLines = len(arrayOLines)
 39     #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
 40     returnMat = np.zeros((numberOfLines,3))
 41     #返回的分类标签向量
 42     classLabelVector = []
 43     #行的索引值
 44     index = 0
 45     for line in arrayOLines:
 46         #s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
 47         line = line.strip()
 48         #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
 49         listFromLine = line.split('\t')
 50         #将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
 51         returnMat[index,:] = listFromLine[0:3]
 52         #根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
 53         if listFromLine[-1] == 'didntLike':
 54             classLabelVector.append(1)
 55         elif listFromLine[-1] == 'smallDoses':
 56             classLabelVector.append(2)
 57         elif listFromLine[-1] == 'largeDoses':
 58             classLabelVector.append(3)
 59         index += 1
 60     return returnMat, classLabelVector
 61 
 62 #数据的初始分析，完整可用程序中也不需要
 63 def showdatas():
 64     datingDataMat, datingLabels=file2matrix(filename)
 65     #设置汉字格式,图标题文字
 66     font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc")
 67     #将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
 68     #当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
 69     fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))
 70 
 71     numberOfLabels = len(datingLabels)
 72     LabelsColors = []
 73     for i in datingLabels:
 74         if i == 1:
 75             LabelsColors.append('red')
 76         if i == 2:
 77             LabelsColors.append('orange')
 78         if i == 3:
 79             LabelsColors.append('blue')
 80     #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
 81     axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)
 82     #设置标题,x轴label,y轴label
 83     axs0_title_text = axs[0][0].set_title(u'飞行里程与玩游戏耗时占比',FontProperties=font)
 84     axs0_xlabel_text = axs[0][0].set_xlabel(u'飞行里程程',FontProperties=font)
 85     axs0_ylabel_text = axs[0][0].set_ylabel(u'玩游戏耗时',FontProperties=font)
 86     plt.setp(axs0_title_text, size=9, weight='bold', color='black') 
 87     plt.setp(axs0_xlabel_text, size=8, weight='bold', color='black') 
 88     plt.setp(axs0_ylabel_text, size=8, weight='bold', color='black')
 89 
 90     #画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
 91     axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
 92     #设置标题,x轴label,y轴label
 93     axs1_title_text = axs[0][1].set_title(u'飞行里程与消费冰激淋公升',FontProperties=font)
 94     axs1_xlabel_text = axs[0][1].set_xlabel(u'飞行里程',FontProperties=font)
 95     axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)
 96     plt.setp(axs1_title_text, size=9, weight='bold', color='black') 
 97     plt.setp(axs1_xlabel_text, size=8, weight='bold', color='black') 
 98     plt.setp(axs1_ylabel_text, size=8, weight='bold', color='black')
 99 
100     #画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
101     axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)
102     #设置标题,x轴label,y轴label
103     axs2_title_text = axs[1][0].set_title(u'玩游戏耗时与冰激淋公升数占比',FontProperties=font)
104     axs2_xlabel_text = axs[1][0].set_xlabel(u'玩游戏耗时',FontProperties=font)
105     axs2_ylabel_text = axs[1][0].set_ylabel(u'消费冰激淋公升数',FontProperties=font)
106     plt.setp(axs2_title_text, size=9, weight='bold', color='black') 
107     plt.setp(axs2_xlabel_text, size=8, weight='bold', color='black') 
108     plt.setp(axs2_ylabel_text, size=8, weight='bold', color='black')
109     #设置图例
110     didntLike = mpl.Line2D([], [], color='red', marker='.',
111                       markersize=6, label='didntLike')
112     smallDoses = mpl.Line2D([], [], color='orange', marker='.',
113                       markersize=6, label='smallDoses')
114     largeDoses = mpl.Line2D([], [], color='blue', marker='.',
115                       markersize=6, label='largeDoses')
116     #添加图例
117     axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])
118     axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])
119     axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])
120     #显示图片
121     plt.show()
122     
123 def autoNorm(dataSet):
124     #获得数据的最小值
125     minVals = dataSet.min(0)
126     maxVals = dataSet.max(0)
127     #最大值和最小值的范围
128     ranges = maxVals - minVals
129     #原始值减去最小值
130     normDataSet = dataSet - minVals
131     #除以最大和最小值的差,得到归一化数据
132     normDataSet = normDataSet / ranges
133     #返回归一化数据结果,数据范围,最小值
134     return normDataSet, ranges, minVals
135 
136    ##测试算法的准确性，完整的可用系统里不需要
137 def datingClassTest():
138     #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中
139     datingDataMat, datingLabels = file2matrix(filename)
140     #取所有数据的百分之十
141     hoRatio = 0.10
142     #数据归一化,返回归一化后的矩阵,数据范围,数据最小值
143     normMat, ranges, minVals = autoNorm(datingDataMat)
144     #获得normMat的行数
145     m = normMat.shape[0]
146     #百分之十的测试数据的个数
147     numTestVecs = int(m * hoRatio)
148     #分类错误计数
149     errorCount = 0.0
150     
151     for i in range(numTestVecs):
152         #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集
153         classifierResult = classify0(normMat[i,:], normMat[numTestVecs:m,:],
154             datingLabels[numTestVecs:m], 5)
155         print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))
156         if classifierResult != datingLabels[i]:
157             errorCount += 1.0
158     print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))
159 
160 def classifyPerson():
161     #输出结果
162     resultList = ['讨厌','有些喜欢','非常喜欢']
163     #三维特征用户输入
164     precentTats = float(input("玩游戏耗时百分比:"))
165     ffMiles = float(input("每年飞行里程数:"))
166     iceCream = float(input("每周消费冰激淋公升数:"))
167     #打开的文件名
168     filename = "datingTestSet.txt"
169     #打开并处理数据
170     datingDataMat, datingLabels = file2matrix(filename)
171     #训练集归一化
172     normMat, ranges, minVals = autoNorm(datingDataMat)
173     #生成NumPy数组,测试集
174     inArr = np.array([precentTats, ffMiles, iceCream])
175     #测试集归一化
176     norminArr = (inArr - minVals) / ranges
177     #返回分类结果
178     classifierResult = classify0(norminArr, normMat, datingLabels, 3)
179     #打印结果
180     print("你可能%s这个人" % (resultList[classifierResult-1]))
181    
182 
183 if __name__ == '__main__':
184     filename = "C:/Users/Administrator/Desktop/data/datingTestSet.txt"
185     classifyPerson()