k-近邻算法(二)

二 k-近邻算法实战之约会网站配对效果判定
上一小结学习了简单的k-近邻算法的实现方法，但是这并不是完整的k-近邻算法流程，k-近邻算法的一般流程：

收集数据：可以使用爬虫进行数据的收集，也可以使用第三方提供的免费或收费的数据。一般来讲，数据放在txt文本文件中，按照一定的格式进行存储，便于解析及处理。
准备数据：使用Python解析、预处理数据。
分析数据：可以使用很多方法对数据进行分析，例如使用Matplotlib将数据可视化。
测试算法：计算错误率。
使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。 已经了解了k-近邻算法的一般流程，下面开始进入实战内容。

2.1 实战背景

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的人选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：
不喜欢的人
魅力一般的人
极具魅力的人
海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。
datingTestSet.txt数据下载
海伦收集的样本数据主要包含以下3种特征：
每年获得的飞行常客里程数
玩视频游戏所消耗时间百分比
每周消费的冰淇淋公升数
这里不得不吐槽一句，海伦是个小吃货啊，冰淇淋公斤数都影响自己择偶标准。打开txt文本文件，数据格式如图2.1所示

图2.1 datingTestSet.txt格式
2.2 准备数据：数据解析

在将上述特征数据输入到分类器前，必须将待处理的数据的格式改变为分类器可以接收的格式。分类器接收的数据是什么格式的？从上小结已经知道，要将数据分类两部分，即特征矩阵和对应的分类标签向量。在kNN_test02.py文件中创建名为file2matrix的函数，以此来处理输入格式问题。 将datingTestSet.txt放到与kNN_test02.py相同目录下，编写代码如下：

# -*- coding: UTF-8 -*-import numpy as np"""函数说明:打开并解析文件，对数据进行分类：1代表不喜欢,2代表魅力一般,3代表极具魅力Parameters:    filename - 文件名Returns:    returnMat - 特征矩阵    classLabelVector - 分类Label向量"""def file2matrix(filename):    #打开文件    fr = open(filename)    #读取文件所有内容    arrayOLines = fr.readlines()    #得到文件行数    numberOfLines = len(arrayOLines)    #返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列    returnMat = np.zeros((numberOfLines,3))    #返回的分类标签向量    classLabelVector = []    #行的索引值    index = 0    for line in arrayOLines:        #s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')        line = line.strip()        #使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。        listFromLine = line.split('\t')        #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        returnMat[index,:] = listFromLine[0:3]        #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        if listFromLine[-1] == 'didntLike':            classLabelVector.append(1)        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return returnMat, classLabelVector"""函数说明:main函数Parameters:    无Returns:    无Modify:    2017-03-24"""if __name__ == '__main__':    #打开的文件名    filename = "datingTestSet.txt"    #打开并处理数据    datingDataMat, datingLabels = file2matrix(filename)    print(datingDataMat)    print(datingLabels)