Python实现K-近邻算法的示例代码

k-近邻算法（K-Nearest Neighbour algorithm），又称 KNN 算法，是数据挖掘技术中原理最简单的算法。本文将介绍实现K-近邻算法的示例代码，需要的可以参考一下

一、介绍

k-近邻算法（K-Nearest Neighbour algorithm），又称 KNN 算法，是数据挖掘技术中原理最简单的算法。

工作原理：给定一个已知标签类别的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻近的 k 个实例，如果这 k 个实例的多数属于某个类别，那么新数据就属于这个类别。简单理解为：由那些离 X 最近的 k 个点来投票决定 X 归为哪一类。

二、k-近邻算法的步骤

（1）计算已知类别数据集中的点与当前点之间的距离；

（2）按照距离递增次序排序；

（3）选取与当前点距离最小的 k 个点；

（4）确定前k个点所在类别的出现频率；

（5）返回前 k 个点出现频率最高的类别作为当前点的预测类别。

三、Python 实现

判断一个电影是爱情片还是动作片。

电影名称	搞笑镜头	拥抱镜头	打斗镜头	电影类型
0	功夫熊猫	39	0	31	喜剧片
1	叶问3	3	2	65	动作片
2	伦敦陷落	2	3	55	动作片
3	代理情人	9	38	2	爱情片
4	新步步惊心	8	34	17	爱情片
5	谍影重重	5	2	57	动作片
6	功夫熊猫	39	0	31	喜剧片
7	美人鱼	21	17	5	喜剧片
8	宝贝当家	45	2	9	喜剧片
9	唐人街探案	23	3	17	？

欧氏距离

构建数据集

rowdata = {     "电影名称": ['功夫熊猫', '叶问3', '伦敦陷落', '代理情人', '新步步惊心', '谍影重重', '功夫熊猫', '美人鱼', '宝贝当家'],     "搞笑镜头": [39,3,2,9,8,5,39,21,45],     "拥抱镜头": [0,2,3,38,34,2,0,17,2],     "打斗镜头": [31,65,55,2,17,57,31,5,9],     "电影类型": ["喜剧片", "动作片", "动作片", "爱情片", "爱情片", "动作片", "喜剧片", "喜剧片", "喜剧片"] }

计算已知类别数据集中的点与当前点之间的距离

new_data = [24,67] dist = list((((movie_data.iloc[:6,1:3]-new_data)**2).sum(1))**0.5)

将距离升序排列，然后选取距离最小的 k 个点「容易拟合·以后专栏再论」

k = 4 dist_l = pd.DataFrame({'dist': dist, 'labels': (movie_data.iloc[:6, 3])})  dr = dist_l.sort_values(by='dist')[:k]

确定前 k 个点的类别的出现概率

re = dr.loc[:,'labels'].value_counts() re.index[0]

选择频率最高的类别作为当前点的预测类别

result = [] result.append(re.index[0]) result

四、约会网站配对效果判定

# 导入数据集 datingTest = pd.read_table('datingTestSet.txt',header=None) datingTest.head() # 分析数据 %matplotlib inline import matplotlib as mpl import matplotlib.pyplot as plt #把不同标签用颜色区分 Colors = [] for i in range(datingTest.shape[0]):     m = datingTest.iloc[i,-1]  # 标签     if m=='didntLike':         Colors.append('black')     if m=='smallDoses':         Colors.append('orange')     if m=='largeDoses':         Colors.append('red') #绘制两两特征之间的散点图 plt.rcParams['font.sans-serif']=['Simhei'] #图中字体设置为黑体 pl=plt.figure(figsize=(12,8))  # 建立一个画布 fig1=pl.add_subplot(221)  # 建立两行两列画布，放在第一个里面 plt.scatter(datingTest.iloc[:,1],datingTest.iloc[:,2],marker='.',c=Colors) plt.xlabel('玩游戏视频所占时间比') plt.ylabel('每周消费冰淇淋公升数') fig2=pl.add_subplot(222) plt.scatter(datingTest.iloc[:,0],datingTest.iloc[:,1],marker='.',c=Colors) plt.xlabel('每年飞行常客里程') plt.ylabel('玩游戏视频所占时间比') fig3=pl.add_subplot(223) plt.scatter(datingTest.iloc[:,0],datingTest.iloc[:,2],marker='.',c=Colors) plt.xlabel('每年飞行常客里程') plt.ylabel('每周消费冰淇淋公升数') plt.show() # 数据归一化 def minmax(dataSet):     minDf = dataSet.min()     maxDf = dataSet.max()     normSet = (dataSet - minDf )/(maxDf - minDf)     return normSet datingT = pd.concat([minmax(datingTest.iloc[:, :3]), datingTest.iloc[:,3]], axis=1) datingT.head() # 切分训练集和测试集 def randSplit(dataSet,rate=0.9):     n = dataSet.shape[0]      m = int(n*rate)     train = dataSet.iloc[:m,:]     test = dataSet.iloc[m:,:]     test.index = range(test.shape[0])     return train,test train,test = randSplit(datingT) # 分类器针对约会网站的测试代码 def datingClass(train,test,k):     n = train.shape[1] - 1  # 将标签列减掉     m = test.shape[0]  # 行数     result = []     for i in range(m):         dist = list((((train.iloc[:, :n] - test.iloc[i, :n]) ** 2).sum(1))**5)         dist_l = pd.DataFrame({'dist': dist, 'labels': (train.iloc[:, n])})         dr = dist_l.sort_values(by = 'dist')[: k]         re = dr.loc[:, 'labels'].value_counts()         result.append(re.index[0])     result = pd.Series(result)       test['predict'] = result  # 增加一列     acc = (test.iloc[:,-1]==test.iloc[:,-2]).mean()     print(f'模型预测准确率为{acc}')     return test datingClass(train,test,5)  # 95%

五、手写数字识别

import os #得到标记好的训练集 def get_train():     path = 'digits/trainingDigits'     trainingFileList = os.listdir(path)     train = pd.DataFrame()     img = []  # 第一列原来的图像转换为图片里面0和1，一行     labels = []  # 第二列原来的标签     for i in range(len(trainingFileList)):         filename = trainingFileList[i]         txt = pd.read_csv(f'digits/trainingDigits/{filename}', header = None) #32行         num = ''         # 将32行转变为1行         for i in range(txt.shape[0]):             num += txt.iloc[i,:]         img.append(num[0])         filelable = filename.split('_')[0]         labels.append(filelable)     train['img'] = img     train['labels'] = labels     return train      train = get_train()    # 得到标记好的测试集 def get_test():     path = 'digits/testDigits'     testFileList = os.listdir(path)     test = pd.DataFrame()     img = []  # 第一列原来的图像转换为图片里面0和1，一行     labels = []  # 第二列原来的标签     for i in range(len(testFileList)):         filename = testFileList[i]         txt = pd.read_csv(f'digits/testDigits/{filename}', header = None) #32行         num = ''         # 将32行转变为1行         for i in range(txt.shape[0]):             num += txt.iloc[i,:]         img.append(num[0])         filelable = filename.split('_')[0]         labels.append(filelable)     test['img'] = img     test['labels'] = labels     return test test = get_test() # 分类器针对手写数字的测试代码 from Levenshtein import hamming def handwritingClass(train, test, k):     n = train.shape[0]     m = test.shape[0]     result = []     for i in range(m):         dist = []         for j in range(n):             d = str(hamming(train.iloc[j,0], test.iloc[i,0]))             dist.append(d)         dist_l = pd.DataFrame({'dist':dist, 'labels':(train.iloc[:,1])})         dr = dist_l.sort_values(by='dist')[:k]         re = dr.loc[:,'labels'].value_counts()         result.append(re.index[0])     result = pd.Series(result)     test['predict'] = result     acc = (test.iloc[:,-1] == test.iloc[:,-2]).mean()     print(f'模型预测准确率为{acc}')     return test handwritingClass(train, test, 3)  # 97.8%