K-近邻算法实现简单filmClassify

k-近邻算法采用测量不同特征值之间的距离方法进行分类，属于监督学习。

主要代码如下：

def createDataSet():    group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])    labels = ['A','A','B','B']    return group,labelsdef classify0(inX,dataSet,labels,k):    dataSetSize = dataSet.shape[0]    diffMat = tile(inX,(dataSetSize,1)) - dataSet    sqDiffMat = diffMat **2    sqDistances = sqDiffMat.sum(axis=1)    distances = sqDistances **0.5    sortedDistIndicies = distances.argsort()    classCount = {}    for i in range(k):        voteIlabel = labels[sortedDistIndicies[i]]        classCount[voteIlabel] = classCount.get(voteIlabel,0) +1    sortedClassCount = sorted(classCount.iteritems(),key=operator.itemgetter(1),reverse=True)    return sortedClassCount[0][0]

createDataSet（）用于导入数据；

主要介绍classify0(inX,dataSet,labels,k)：
4个输入参数：用于分类的输入向量inX，训练样本集dataSet（是一个数组），标签向量labels，用于选择最近邻的数目k；
dataSetSize = dataSet.shape[0] 这一句使用到了NumPy的shape函数，返回矩阵/数组的不同维数的长度，第一个元素（shape[0]）表示第一维的长度，亦即行数，即有几个训练数据；
diffMat = tile(inX, (dataSetSize,1)) - dataSet 这里用到了NumPy中的tile(A,reps)函数，用于扩充A，numpy.tile([0,0],(3,1))表示将（0，0）在行上重复3次，在列上重复1次；
sqDiffMat = diffMat**2 求平方；
sqDistances = sqDiffMat.sum(axis=1) 在列上求和；
distances = sqDistances**0.5 求开方，上面的几步是用来计算距离的；
sortedDistIndicies = distances.argsort()使用了argsort()函数，升序排序，返回数组值从小到大的索引index；
classCount={} 这是一个dict，用于存储不同标签出现的次数；
for i in range(k):
　　voteIlabel = labels[sortedDistIndicies[i]]
　　classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
这里是选择距离最小的k个点， sortedDistIndicies已经排好序，只需迭代的取前k个样本点的labels(即标签)，并计算该标签出现的次数，这里还用到了dict.get(key, default=None)函数，key就是dict中的键voteIlabel，如果不存在则返回一个0并存入dict，如果存在则读取当前值并+1；
sortedClassCount = sorted(classCount.iteritems(), key=operator.itemgetter(1), reverse=True) 这里使用了sorted()函数sorted(iterable, cmp=None, key=None, reverse=False)，iteritems()将dict分解为元组列表，operator.itemgetter(1)表示按照第二个元素的次序对元组进行排序，排序默认是升序，reverse=true表示反转，降序排序