KNN实战——约会网站配对效果判定

 一 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：

1. 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。
2. 准备数据：使用Python解析、预处理数据。
3. 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。
4. 测试算法：计算错误率。
5. 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。

 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任选，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。

                 data数据集

       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 

打开txt格式的文件，数据格式如图2.1所示

                                                               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。数据解析代码如下：

# -*- 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 代表喜欢，2代表魅力一般，3代表极具魅力filename -- 文件名Mat -- 特征向量classLabelVector - 分类Label向量Modify:    2017-11-5"""def file(filename):    fr = open(filename)               #打开文件    lines = fr.readlines()            #读取文件的所有数据    numberlines = len(lines)          #文件的行数    Mat = np.zeros((numberlines,3))    #返回来一个给定形状和类型的用0填充的数组,返回一个numbeilines行3列的数组    classLabelVector = []             #定义一个列表    index= 0                          #行的索引    for line in lines :        line = line.strip()           #str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉        listFromLine = line.split('\t')   #line.split（）字符串内按照空格进行分割        Mat[index,:] = listFromLine[0:3]   #将数据前三列提取出来，index作为每一行的索引        if listFromLine[-1] == 'didntLike':         #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            classLabelVector.append(1)              #在行后面进行标记，标记1，2，3        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return Mat, classLabelVectorif __name__ == '__main__':    filename = "data.txt"   #打开的文件名    datingDataMat, datingLabels = file(filename)   #打开并处理数据    print(datingDataMat)    print(datingLabels)

运行结果如图所示：

        可以看到，我们已经顺利导入数据，并对数据进行解析，格式化为分类器需要的数据格式。接着我们需要了解数据的真正含义。可以通过友好、直观的图形化的方式观察数据。

数据可视化

编写名为showdatas的函数，用来将数据可视化。编写代码如下：

from matplotlib.font_manager import FontPropertiesimport matplotlib.lines as mlinesimport matplotlib.pyplot as pltimport numpy as np"""函数说明:可视化数据Parameters:    datingDataMat - 特征矩阵    datingLabels - 分类LabelReturns:    无Modify:    2017-11-05"""def showdata(datingDataMat,datingLabels):    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)     #设置汉字格式    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))  #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)    numberOfLabels = len(datingLabels)                                                    #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    LabelsColors = []    for i in datingLabels:        if i == 1:            LabelsColors.append('black')        if i == 2:            LabelsColors.append('orange')        if i == 3:            LabelsColors.append('red')                    #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    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)    plt.setp(axs0_title_text, size=9, weight='bold', color='red')    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')    #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    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs1_title_text, size=9, weight='bold', color='red')    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')    #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    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs2_title_text, size=9, weight='bold', color='red')    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')    #设置图例    didntLike = mlines.Line2D([], [], color='black', marker='.',                      markersize=6, label='didntLike')    smallDoses = mlines.Line2D([], [], color='orange', marker='.',                      markersize=6, label='smallDoses')    largeDoses = mlines.Line2D([], [], color='red', marker='.',                      markersize=6, label='largeDoses')    #添加图例    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])    #显示图片    plt.show()

数据分析整体的代码如下：

# -*- coding: UTF-8 -*-from matplotlib.font_manager import FontPropertiesimport matplotlib.lines as mlinesimport matplotlib.pyplot as pltimport numpy as np"""函数说明:可视化数据Parameters:    datingDataMat - 特征矩阵    datingLabels - 分类LabelReturns:    无Modify:    2017-11-05"""def file(filename):    fr = open(filename)               #打开文件    lines = fr.readlines()            #读取文件的所有数据    numberlines = len(lines)          #文件的行数    Mat = np.zeros((numberlines,3))    #返回来一个给定形状和类型的用0填充的数组,返回一个numbeilines行3列的数组    classLabelVector = []             #定义一个列表    index= 0                          #行的索引    for line in lines :        line = line.strip()           #str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉        listFromLine = line.split('\t')   #line.split（）字符串内按照空格进行分割        Mat[index,:] = listFromLine[0:3]   #将数据前三列提取出来，index作为每一行的索引        if listFromLine[-1] == 'didntLike':         #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            classLabelVector.append(1)              #在行后面进行标记，标记1，2，3        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return Mat, classLabelVectordef showdata(datingDataMat,datingLabels):    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)     #设置汉字格式    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))  #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)    numberOfLabels = len(datingLabels)                                                    #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    LabelsColors = []    for i in datingLabels:        if i == 1:            LabelsColors.append('black')        if i == 2:            LabelsColors.append('orange')        if i == 3:            LabelsColors.append('red')                    #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    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)    plt.setp(axs0_title_text, size=9, weight='bold', color='red')    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')    #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    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs1_title_text, size=9, weight='bold', color='red')    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')    #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    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs2_title_text, size=9, weight='bold', color='red')    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')    #设置图例    didntLike = mlines.Line2D([], [], color='black', marker='.',                      markersize=6, label='didntLike')    smallDoses = mlines.Line2D([], [], color='orange', marker='.',                      markersize=6, label='smallDoses')    largeDoses = mlines.Line2D([], [], color='red', marker='.',                      markersize=6, label='largeDoses')    #添加图例    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])    #显示图片    plt.show()if __name__ == '__main__':    #打开的文件名    filename = "data.txt"    #打开并处理数据    datingDataMat, datingLabels = file(filename)    showdata(datingDataMat, datingLabels)

运行结果如图所示：

       通过数据可以很直观的发现数据的规律，比如以玩游戏所消耗时间占比与每年获得的飞行常客里程数，只考虑这二维的特征信息，给我的感觉就是海伦喜欢有生活质量的男人。为什么这么说呢？每年获得的飞行常客里程数表明，海伦喜欢能享受飞行常客奖励计划的男人，但是不能经常坐飞机，疲于奔波，满世界飞。同时，这个男人也要玩视频游戏，并且占一定时间比例。能到处飞，又能经常玩游戏的男人是什么样的男人？很显然，有生活质量，并且生活悠闲的人。我的分析，仅仅是通过可视化的数据总结的个人看法。我想，每个人的感受应该也是不尽相同。

数据归一化

下面给出四个样本，计算样本之间的距离

计算方法如图所示。

       我们很容易发现，上面方程中数字差值最大的属性对计算结果的影响最大，也就是说，每年获取的飞行常客里程数对于计算结果的影响将远远大于表2.1中其他两个特征-玩视频游戏所耗时间占比和每周消费冰淇淋公斤数的影响。而产生这种现象的唯一原因，仅仅是因为飞行常客里程数远大于其他特征值。但海伦认为这三种特征是同等重要的，因此作为三个等权重的特征之一，飞行常客里程数并不应该如此严重地影响到计算结果。

       在处理这种不同取值范围的特征值时，我们通常采用的方法是将数值归一化，如将取值范围处理为０到１或者-１到１之间。下面的公式可以将任意取值范围的特征值转化为０到１区间内的值：

                                                   newValue = (oldValue - min) / (max - min)

其中min和max分别是数据集中的最小特征值和最大特征值。虽然改变数值取值范围增加了分类器的复杂度，但为了得到准确结果，我们必须这样做，编写名为autoNorm的函数，用该函数自动将数据归一化，代码如下：

函数说明:对数据进行归一化Parameters:    dataSet - 特征矩阵Returns:    normDataSet - 归一化后的特征矩阵    ranges - 数据范围    minVals - 数据最小值Modify:    2017-11-05"""def autoNorm(dataSet):    minVals = dataSet.min(0)           #获得数据的最小值    maxVals = dataSet.max(0)           #获得数据的最大值    ranges = maxVals - minVals         #最大值和最小值的范围    normDataSet = np.zeros(np.shape(dataSet))               #shape(dataSet)返回dataSet的矩阵行列数    m = dataSet.shape[0]                                    #返回dataSet的行数    normDataSet = dataSet - np.tile(minVals, (m, 1))        #原始值减去最小值    normDataSet = normDataSet / np.tile(ranges, (m, 1))     #除以最大和最小值的差,得到归一化数据    return normDataSet, ranges, minVals                    #返回归一化数据结果,数据范围,最小值

所以，数据归一化部分的整体代码如下：

# -*- coding: UTF-8 -*-from matplotlib.font_manager import FontPropertiesimport matplotlib.lines as mlinesimport matplotlib.pyplot as pltimport numpy as np"""函数说明:可视化数据Parameters:    datingDataMat - 特征矩阵    datingLabels - 分类LabelReturns:    无Modify:    2017-11-05"""def file(filename):    fr = open(filename)               #打开文件    lines = fr.readlines()            #读取文件的所有数据    numberlines = len(lines)          #文件的行数    Mat = np.zeros((numberlines,3))    #返回来一个给定形状和类型的用0填充的数组,返回一个numbeilines行3列的数组    classLabelVector = []             #定义一个列表    index= 0                          #行的索引    for line in lines :        line = line.strip()           #str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉        listFromLine = line.split('\t')   #line.split（）字符串内按照空格进行分割        Mat[index,:] = listFromLine[0:3]   #将数据前三列提取出来，index作为每一行的索引        if listFromLine[-1] == 'didntLike':         #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            classLabelVector.append(1)              #在行后面进行标记，标记1，2，3        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return Mat, classLabelVectordef showdata(datingDataMat,datingLabels):    font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)     #设置汉字格式    fig, axs = plt.subplots(nrows=2, ncols=2,sharex=False, sharey=False, figsize=(13,8))  #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)    numberOfLabels = len(datingLabels)                                                    #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    LabelsColors = []    for i in datingLabels:        if i == 1:            LabelsColors.append('black')        if i == 2:            LabelsColors.append('orange')        if i == 3:            LabelsColors.append('red')                    #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    axs[0][0].scatter(x=datingDataMat[:,0], y=datingDataMat[:,1], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比',FontProperties=font)    axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占',FontProperties=font)    plt.setp(axs0_title_text, size=9, weight='bold', color='red')    plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')    #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    axs[0][1].scatter(x=datingDataMat[:,0], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数',FontProperties=font)    axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数',FontProperties=font)    axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs1_title_text, size=9, weight='bold', color='red')    plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')    #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    axs[1][0].scatter(x=datingDataMat[:,1], y=datingDataMat[:,2], color=LabelsColors,s=15, alpha=.5)    #设置标题,x轴label,y轴label    axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数',FontProperties=font)    axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比',FontProperties=font)    axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数',FontProperties=font)    plt.setp(axs2_title_text, size=9, weight='bold', color='red')    plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')    plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')    #设置图例    didntLike = mlines.Line2D([], [], color='black', marker='.',                      markersize=6, label='didntLike')    smallDoses = mlines.Line2D([], [], color='orange', marker='.',                      markersize=6, label='smallDoses')    largeDoses = mlines.Line2D([], [], color='red', marker='.',                      markersize=6, label='largeDoses')    #添加图例    axs[0][0].legend(handles=[didntLike,smallDoses,largeDoses])    axs[0][1].legend(handles=[didntLike,smallDoses,largeDoses])    axs[1][0].legend(handles=[didntLike,smallDoses,largeDoses])    #显示图片    plt.show()    """函数说明:对数据进行归一化Parameters:    dataSet - 特征矩阵Returns:    normDataSet - 归一化后的特征矩阵    ranges - 数据范围    minVals - 数据最小值Modify:    2017-11-05"""def autoNorm(dataSet):    minVals = dataSet.min(0)           #获得数据的最小值    maxVals = dataSet.max(0)           #获得数据的最大值    ranges = maxVals - minVals         #最大值和最小值的范围    normDataSet = np.zeros(np.shape(dataSet))               #shape(dataSet)返回dataSet的矩阵行列数    m = dataSet.shape[0]                                    #返回dataSet的行数    normDataSet = dataSet - np.tile(minVals, (m, 1))        #原始值减去最小值    normDataSet = normDataSet / np.tile(ranges, (m, 1))     #除以最大和最小值的差,得到归一化数据    return normDataSet, ranges, minVals                    #返回归一化数据结果,数据范围,最小值if __name__ == '__main__':    filename = "data.txt"                           #打开的文件名    datingDataMat, datingLabelsa = file(filename)      #打开并处理数据    normDataSet, ranges, minVals = autoNorm(datingDataMat)    print(normDataSet)    print(ranges)    print(minVals)

运行结果如图所示：

从图中的运行结果可以看到，我们已经顺利将数据归一化了，并且求出了数据的取值范围和数据的最小值，这两个值是在分类的时候需要用到的，直接先求解出来，也算是对数据预处理了。

测试算法：验证分类器

       机器学习算法一个很重要的工作就是评估算法的正确率，通常我们只提供已有数据的90%作为训练样本来训练分类器，而使用其余的10%数据去测试分类器，检测分类器的正确率。需要注意的是，10%的测试数据应该是随机选择的，由于海伦提供的数据并没有按照特定目的来排序，所以我么你可以随意选择10%数据而不影响其随机性。

       为了测试分类器效果，在kNN_test02.py文件中创建函数datingClassTest，编写代码如下：

# -*- coding: UTF-8 -*-timport numpy as npimport operatordef file(filename):    fr = open(filename)               #打开文件    lines = fr.readlines()            #读取文件的所有数据    numberlines = len(lines)          #文件的行数    Mat = np.zeros((numberlines,3))    #返回来一个给定形状和类型的用0填充的数组,返回一个numbeilines行3列的数组    classLabelVector = []             #定义一个列表    index= 0                          #行的索引    for line in lines :        line = line.strip()           #str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉        listFromLine = line.split('\t')   #line.split（）字符串内按照空格进行分割        Mat[index,:] = listFromLine[0:3]   #将数据前三列提取出来，index作为每一行的索引        if listFromLine[-1] == 'didntLike':         #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            classLabelVector.append(1)              #在行后面进行标记，标记1，2，3        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return Mat, classLabelVectordef KNN(test,data,labels,k):    dataSize = data.shape[0]                 #测试数据的行数    Mat=np.tile(test,(dataSize,1))-data   #numpy.tile()是把数组沿各个方向复制的函数，此句相当于把Y轴复制dataSize倍，X不变    squMat = Mat**2  # 二维特征相减后的平方    Distance = squMat.sum(axis=1)  #sum=0，普通相加，sum(axis=0)每一列相加，sum(axis=1)，每一行相加    Dis = Distance**0.5    sortDis = Dis.argsort()       #元素从小到大排序后的索引值    classCount = {}               # 定义一个记录类别次数的字典    for i in range(k):        voteIlabel = labels[sortDis[i]]   #取出前k个元素的类别        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1    #dict.get(key,default=None),    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)  #key=operator.itemgetter(1)根据字典的值进行排序    return sortedClassCount[0][0]def autoNorm(dataSet):    minVals = dataSet.min(0)           #获得数据的最小值    maxVals = dataSet.max(0)           #获得数据的最大值    ranges = maxVals - minVals         #最大值和最小值的范围    normDataSet = np.zeros(np.shape(dataSet))               #shape(dataSet)返回dataSet的矩阵行列数    m = dataSet.shape[0]                                    #返回dataSet的行数    normDataSet = dataSet - np.tile(minVals, (m, 1))        #原始值减去最小值    normDataSet = normDataSet / np.tile(ranges, (m, 1))     #除以最大和最小值的差,得到归一化数据    return normDataSet, ranges, minVals                    #返回归一化数据结果,数据范围,最小值def datingClassTest():    #打开的文件名    filename = "data.txt"    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中    datingDataMat, datingLabels = file(filename)    #取所有数据的百分之十    hoRatio = 0.10    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值    normMat, ranges, minVals = autoNorm(datingDataMat)    #获得normMat的行数    m = normMat.shape[0]    #百分之十的测试数据的个数    numTestVecs = int(m * hoRatio)    #分类错误计数    errorCount = 0.0    for i in range(numTestVecs):        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集        classifierResult = KNN(normMat[i,:], normMat[numTestVecs:m,:],            datingLabels[numTestVecs:m], 4)        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))        if classifierResult != datingLabels[i]:            errorCount += 1.0    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))if __name__ == '__main__':    datingClassTest()

运行效果如下：

 从图中验证分类器结果中可以看出，错误率是4%，这是一个想当不错的结果。我们可以改变函数datingClassTest内变量hoRatio和分类器k的值，检测错误率是否随着变量值的变化而增加。依赖于分类算法、数据集和程序设置，分类器的输出结果可能有很大的不同。

使用算法搭建完整可用系统

文件中创建函数classifyPerson，代码如下：

# -*- coding: UTF-8 -*-timport numpy as npimport operatordef file(filename):    fr = open(filename)               #打开文件    lines = fr.readlines()            #读取文件的所有数据    numberlines = len(lines)          #文件的行数    Mat = np.zeros((numberlines,3))    #返回来一个给定形状和类型的用0填充的数组,返回一个numbeilines行3列的数组    classLabelVector = []             #定义一个列表    index= 0                          #行的索引    for line in lines :        line = line.strip()           #str.strip()就是把这个字符串头和尾的空格，以及位于头尾的\n \t之类给删掉        listFromLine = line.split('\t')   #line.split（）字符串内按照空格进行分割        Mat[index,:] = listFromLine[0:3]   #将数据前三列提取出来，index作为每一行的索引        if listFromLine[-1] == 'didntLike':         #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            classLabelVector.append(1)              #在行后面进行标记，标记1，2，3        elif listFromLine[-1] == 'smallDoses':            classLabelVector.append(2)        elif listFromLine[-1] == 'largeDoses':            classLabelVector.append(3)        index += 1    return Mat, classLabelVectordef KNN(test,data,labels,k):    dataSize = data.shape[0]                 #测试数据的行数    Mat=np.tile(test,(dataSize,1))-data   #numpy.tile()是把数组沿各个方向复制的函数，此句相当于把Y轴复制dataSize倍，X不变    squMat = Mat**2  # 二维特征相减后的平方    Distance = squMat.sum(axis=1)  #sum=0，普通相加，sum(axis=0)每一列相加，sum(axis=1)，每一行相加    Dis = Distance**0.5    sortDis = Dis.argsort()       #元素从小到大排序后的索引值    classCount = {}               # 定义一个记录类别次数的字典    for i in range(k):        voteIlabel = labels[sortDis[i]]   #取出前k个元素的类别        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1    #dict.get(key,default=None),    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)  #key=operator.itemgetter(1)根据字典的值进行排序    return sortedClassCount[0][0]def autoNorm(dataSet):    minVals = dataSet.min(0)           #获得数据的最小值    maxVals = dataSet.max(0)           #获得数据的最大值    ranges = maxVals - minVals         #最大值和最小值的范围    normDataSet = np.zeros(np.shape(dataSet))               #shape(dataSet)返回dataSet的矩阵行列数    m = dataSet.shape[0]                                    #返回dataSet的行数    normDataSet = dataSet - np.tile(minVals, (m, 1))        #原始值减去最小值    normDataSet = normDataSet / np.tile(ranges, (m, 1))     #除以最大和最小值的差,得到归一化数据    return normDataSet, ranges, minVals                    #返回归一化数据结果,数据范围,最小值def datingClassTest():    #打开的文件名    filename = "data.txt"    #将返回的特征矩阵和分类向量分别存储到datingDataMat和datingLabels中    datingDataMat, datingLabels = file(filename)    #取所有数据的百分之十    hoRatio = 0.10    #数据归一化,返回归一化后的矩阵,数据范围,数据最小值    normMat, ranges, minVals = autoNorm(datingDataMat)    #获得normMat的行数    m = normMat.shape[0]    #百分之十的测试数据的个数    numTestVecs = int(m * hoRatio)    #分类错误计数    errorCount = 0.0    for i in range(numTestVecs):        #前numTestVecs个数据作为测试集,后m-numTestVecs个数据作为训练集        classifierResult = KNN(normMat[i,:], normMat[numTestVecs:m,:],            datingLabels[numTestVecs:m], 4)        print("分类结果:%d\t真实类别:%d" % (classifierResult, datingLabels[i]))        if classifierResult != datingLabels[i]:            errorCount += 1.0    print("错误率:%f%%" %(errorCount/float(numTestVecs)*100))def classifyPerson():    #输出结果    resultList = ['讨厌','有些喜欢','非常喜欢']    #三维特征用户输入    precentTats = float(input("玩视频游戏所耗时间百分比:"))    ffMiles = float(input("每年获得的飞行常客里程数:"))    iceCream = float(input("每周消费的冰激淋公升数:"))    #打开的文件名    filename = "data.txt"    #打开并处理数据    datingDataMat, datingLabels = file(filename)    #训练集归一化    normMat, ranges, minVals = autoNorm(datingDataMat)    #生成NumPy数组,测试集    inArr = np.array([precentTats, ffMiles, iceCream])    #测试集归一化    norminArr = (inArr - minVals) / ranges    #返回分类结果    classifierResult = KNN(norminArr, normMat, datingLabels, 3)    #打印结果    print("你可能%s这个人" % (resultList[classifierResult-1]))if __name__ == '__main__':    classifyPerson()

我们我们可以给海伦一个小段程序，通过该程序海伦会在约会网站上找到某个人并输入他的信息。程序会给出她对男方喜欢程度的预测值。